请选择 进入手机版 | 继续访问电脑版

李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

2020-04-30| 发布者: 柴潇| 查看: 239

台湾李宏毅教授写的《1 天搞懂深度学习》,300 多页的 ppt,最通俗易懂的深度学习的学习资料。这份 300 页的 PPT,被搬运到了 SlideShare 上,下面是 SlideShare 的链接:https://www.slideshare.net/tw_dsconf/ss-6 ...

台湾李宏毅教授写的《1 天搞懂深度学习》,300 多页的 ppt,最通俗易懂的深度学习的学习资料。

这份 300 页的 PPT,被搬运到了 SlideShare 上,下面是 SlideShare 的链接:

https://www.slideshare.net/tw_dsconf/ss-62245351?qid=108adce3-2c3d-4758-a830-95d0a57e46bc&v=&b=&from_search=3


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

废话少说,先上干货,整个 PPT 的思维导图如下:


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

一、深度学习概论

1. 介绍深度学习

作者非常浅显的指出机器(深度)学习过程非常简单,分为定义方法、判断方法的优劣、挑选出最佳的方法。


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

对于深度学习,首先第一步定义方法 - 神经网络。深度学习顾名思义是指多层的神经网络。

神经网络的思想来源于对于人脑的生理上的研究,人脑由数亿个神经元组成,神经元通过轴突互相连接通信。神经网络和人脑类似,存在多个层级(layer),每个层级都有多个节点(神经元),层级和层级之间相互连接(轴突),最终输出结果。

对于神经网络的计算能力可以理解为通过一层层Layer的计算归纳,逐步的将抽象的原始数据变的具体。以图片识别为例,输入是一个个像素点,经过每层神经网络,逐步变化成为线、面、对象的概念,然后机器有能力能够识别出来。


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

第二步,评估方法的优劣。

Loss function是用于评估方法优劣,通常我们用学习出来的参数对测试数据进行计算,得出对应的预测(y)然后和真实的测试数据的目标值(t)进行比对,y和t之间的差距往往就是Loss。那么评估一个算法的好坏,就是要尽可能的降低Loss。


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

第三步,如何获得最佳的学习方法。

获得最佳的学习是采用梯度下降算法,作者也提到梯度下降算法存在局部最优解的问题。人们往往认为机器无所不能,实际上更像是在一个地图上面拓荒,对周边一无所知。神经网络计算梯度的算法是反向传播算法,简称BP。


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

2. 为什么要足够“深”?

作者首先指出越多的参数往往带来越好的预测能力,所以神经网络往往参数越多越好。那么如果是同样的参数情况下,为什么层级较多的表现会更好呢?


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

作者认为深度网络可以带来模块化的好处,随着网络的层级,神经网络会将像素元素逐渐归纳出一些基本的特征,进而变成纹理,进而变成对象。


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

二、训练方法


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

作者总结下来训练过程中会发现了两种情况:

  • 没有办法得到很好的训练结果 —> 重新选择训练方式
  • 没有办法得到很好的测试结果 —> 往往由于过度拟合导致,需要重新定义方法

李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

优化训练方法的手段:

  • 选择合适的Loss function:使用Cross Entropy效果要优于Mean Square Error
  • Mini-batch: 每次训练使用少量数据而不是全量数据效率更高
  • Activation Function:使用ReLU替代Sigmoid可以解决梯度消失的问题,可以训练更深的神经网络
  • Adaptive Learning Rate:可以随着迭代不断自我调整,提高学习效率
  • Momentum: 可以一定程度上避免陷入局部最低点的问题

李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

避免过度拟合(overfitting)的方法:

  • Early Stopping:使用cross validation的方式,不断对validation data进行检验,一旦发现预测精度下降则停止。
  • Weight Decay:参数正则化的一种方式?
  • Dropout:通过随机去掉一些节点的连接达到改变网络形式,所以会产生出多种网络形态,然后汇集得到一个最佳结果
  • Network Structure: 例如CNN等其他形态的网络



三、神经网络变体


1. 卷积神经网络(CNN)

李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

通常情况下,一个CNN包含多次的卷积、池化,然后Flatten,最终再通过一个深度神经网络进行学习预测。CNN在图像、语音识别取得非常好的成绩,核心的想法在于一些物体的特征往往可以提取出来,并且可能出现在图片的任何位置,而且通过卷积、池化可以大大减少输入数据,加快训练效率。

2. 循环神经网络(RNN)


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

RNN的想法是可以将hidden layer的数据存储下来,然后作为输入给下一个网络学习。这种网络的想法可以解决自然语言中前后词语是存在关联性的,所以RNN可以把这些关联性放到网络中进行学习。

四、其它前沿技术

Ultra Deep Network:

2015年出现了152层的Residual Net实现了图片3.57%错误率。


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

Reinforcement Learning:

通过奖励机制强化学习,并且做出相应的动作。


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

Unsupervised Learning:

1. Deep Style


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

2. 生成图片


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

3. 无需人工介入理解文字的含义


李宏毅:《1 天搞懂深度学习》300 页 PPT(附思维导图)

需要ppt的朋友可以后台私信小编,或者关注微信公众号【机器学习与数据挖掘】回复“300”获取。


鲜花

握手

雷人

路过

鸡蛋

0条评论 239人参与 网友评论 文明发言,请先登录注册

文明上网理性发言,请遵守国家法律法规。

最新评论

©2001-2018 站长头条 https://www.zztt8.com/中国互联网举报中心陇ICP备20002644号-3 非经营性网站Powered byDiscuz!X3.4公安网备
Archiver手机版小黑屋广告合作客服QQ:1430738212Comsenz Inc.