当前位置：首页 > article >正文

【深度学习】P1 神经网络、监督学习与深度学习、深度学习的驱动力量

article 2024/11/18 15:40:21

神经网络、监督学习与深度学习、深度学习的驱动力量

神经网络
深度学习与监督学习
- 标准神经网络（Standard Neural Network）
- 卷积神经网络（Convolutional Neural Network）
- 循环神经网络（Recurrent Generative Network）
深度学习背后的驱动力量
- 数据 Data
- 算力 Computation
- 算法 Algorithm

神经网络

深度学习，一般指的是训练神经网络，有时是非常大（深）的神经网络。

神经网络是一种计算模型，灵感来源于人类神经系统的结构和功能。它是由一系列相互连接的节点（简称“神经元” neural）组成。这些节点接收输入信号并通过连接的加权和激活函数生成输出信号。

在这里插入图片描述

一个典型的神经网络通常由三个类型的神经元层组成：输入层（input layer）、隐藏层（hidden layer）和输出层（output layer）。输入层接收原始数据作为输入，隐藏层进行各种复杂的变换和计算，输出层产生最终的预测或者分类结果。在训练过程中，神经网络通过调整连接的权重和偏差来最小化损失函数，从而使得模型的预测结果更加准确。

深度学习与监督学习

监督学习是深度学习最常见的应用之一，需要大量的标注数据集，通过训练深度神经网络，使得网络可以对未知的数据进行预测和分类。

深度学习在监督学习领域的范畴可以分为：标准神经网络（Standard NN），卷积神经网络（CNN），循环神经网络（RNN）。

在这里插入图片描述

标准神经网络（Standard Neural Network）

标准神经网络，又称多层感知器，属于深度学习领域监督学习范畴。由多个神经网络层组成，每个神经网络层由多个神经元组成，并且每个神经元都与前一层的所有神经元相连。

在标准神经网络中，输入数据会经过一系列的隐藏层，最终输出一个或者多个预测结果。在监督学习中，标准神经网络的训练需要提供输入数据及其对应的标签，通过反向传播算法计算损失并更新权重参数，使得神经网络能够更好的拟合训练数据。

标准神经网络广泛应用于图像分类，语音识别，自然语言处理等任务，是深度学习领域中最为基础和重要的模型。

卷积神经网络（Convolutional Neural Network）

卷积神经网络，属于深度学习领域监督学习范畴。

卷积神经网络主要用于图像识别、语音识别、自然语言处理等任务。CNN的输入是二维的图像数据，通过卷积、池化等操作来提取图像特征，然后通过全连接层将特征映射到输出类别上。在训练过程中，CNN通过反向传播算法来更新网络中的权重参数，使得网络能够更好的拟合训练数据。

循环神经网络（Recurrent Generative Network）

循环神经网络，属于深度学习领域监督学习范畴。

循环神经网络主要用于处理序列数据，例如自然语言文本、音频、时间序列等。RNN中的隐藏层状态会保存历史数据，通过时间步的不断迭代，可以处理不同长度的序列数据。

在监督学习中，RNN的训练需要提供输入序列和对应的标签序列，通过反向传播算法计算损失并更新权重参数。通常情况下，RNN的目标是最小化输出序列与标签序列之间的差异，例如采用交叉熵损失函数。

总结来说：
标准神经网络：由多个全连接层组成，每个层的所有神经元都与上一层的所有神经元相连；
标准神经网络常用于处理结构化数据。

卷积神经网络：由卷积层、池化层和全连接层组成，用于处理具有网格结构的数据，如图像和语音；
卷积层通过卷积操作来提取图像特征，池化层用于降采样，全连接层用于分类。

循环神经网络：通过循环操作来处理序列数据，序列数据如文本或语音；
循环操作使得每个时间步的输出都与之前的状态有关。RNN中长短时记忆网络（LSTM），和门控循环单元（GRU）等模型在序列建模中广泛应用。

深度学习背后的驱动力量

数据，算力与算法。

数据 Data

现今，人类每分钟产生的数据可参照如下：

电子邮件：全球每分钟发送的电子邮件数量为 150万封，其中70%是垃圾邮件；
社交媒体：全球每分钟上传到 FaceBook 上的照片数量约为 350万张，上传到 Instagram 上的照片数量约为 60万张，发送到 Twitter 上的推文数量约为 50万条。
视频：每分钟上传到 YouTube 上的视频数量约为 500小时；
搜索：全球每分钟进行的 Google 搜索数量约为 400万次；
传感器等；

在这里插入图片描述

综上所属，现今人类比较10年前，每分钟产生的数据的数量级都发生了变化。拥有大量的数据，我们才能训练出准确的模型。

算力 Computation

伴随着 GPU 和 TPU 等专用加速器的出现和发展，深度学习的计算能力得到了大幅度的提升，加速了深度学习算法的训练和推理过程。

在这里插入图片描述
图片来源于 2016年，英伟达将全球首款人工智能专用GPU献给OpenAI公司

算法 Algorithm

相较于传统的机器学习算法，深度学习算法可以自动地从数据中学习到高层次的特征表示，并具有更强的泛化能力。这些优势使得深度学习在图像识别、自然语言处理、语音识别等领域取得了巨大的成功，促进了深度学习算法的不断发展。

$e . g .$ 算法优化的举例，常常都是 Sigmoid 到 ReLU

形状
性质
Sigmoid 函数优点是连续可导；缺点是梯度在输入值较小和输出值较大的请款修改会变得很小，导致梯度消失现象，会影响神经网络的训练效果；
ReLU 函数优点是在输入为正的情况下导数恒为1，从而避免了梯度消失现象，并且计算速度非常快。缺点是输入为负数时导数为0，意味着一旦输入为负，神经元不会对神经网络的输出产生任何影响，导致“死亡ReLU”问题。