联系我们

AI. 101.

什么是深入学习?

mm

更新

 on

深度学习是人工智能中最具影响力和最快的生长领域之一。然而,由于深度学习涵盖各种不同的算法和技术,因此对深度学习的直观理解可能很困难。深度学习也是一个秘书碱机器学习一般来说,所以它’很重要的是要理解机器学习是什么,以了解深度学习。

什么是机器学习?

深度学习是一个源自机器学习的一些概念的延伸,所以因此,让我们花一分钟来解释机器学习是什么。

简单地,机器学习是一种使计算机能够进行特定任务的方法,而无需明确地编码用于完成这些任务的算法的每一行。有许多不同的机器学习算法,但最常用的算法之一是一个多层的感觉器。多层的Perceptron也被称为神经网络,它由一系列连接在一起的节点/神经元组成。多层erceptron中有三个不同的图层:输入层,隐藏层和输出层。

输入图层将数据置于网络中,在其中由中/隐藏层中的节点操纵。隐藏层中的节点是可以操纵来自输入层的数据的数学函数,从输入数据中提取相关模式。这就是神经网络“学习”的方式。神经网络从一个事实中获取他们的名字,因为它们是人类脑的结构和功能的启发。

网络中的节点之间的连接具有称重的值。这些值基本上是关于如何在一层中的数据与下一个层中的数据相关的假设。随着网络列出权重调整,目标是,关于数据的权重/假设最终会聚在准确地表示数据内有意义的模式的值。

激活功能存在于网络的节点中,并且这些激活功能以非线性方式转换数据,使得网络能够学习数据的复杂表示。激活功能将输入值乘以权重值并添加一个偏置项。

什么是深入学习?

深度学习是给予机器学习架构的术语,其中加入许多多层的感知者,因此不仅仅是一个隐藏的层,而且是许多隐藏的层。深度神经网络是“更深的”,网络可以学习的更复杂的模式。

由神经元组成的深层网络有时被称为完全连接的网络或完全连接的层,参考给定的神经元保持与周围的所有神经元的连接。完全连接的网络可以与其他机器学习功能相结合以创建不同的深度学习架构。

不同类型的深度学习

研究人员和工程师使用各种深度学习架构,每个不同的架构都有自己的专业用例。

卷积神经网络

卷积神经网络或CNNS是常用于创建的神经网络架构计算机视觉系统。卷积神经网络的结构使它们能够解释图像数据,将它们转换为完全连接的网络可以解释的数字。 CNN有四个主要组成部分:

  • 卷积层
  • 子采样/池池
  • 激活功能
  • 完全连接的图层

卷积层是将图像作为输入中的图像中的应用,分析图像并获取像素的值。子采样或汇集是转换/减少图像值以简化图像的表示并降低图像滤波器对噪声的灵敏度。激活函数控制数据如何从一层流到下一层,并且完全连接的图层是分析代表图像的值的分析,并在这些值中了解所保持的模式。

rnn.S / LSTMS.

经常性神经网络或者是RNN,是用于数据问题的任务的受欢迎,网络必须了解一系列数据。 RNN通常适用于问题自然语言处理,在解码句子的含义时,单词的顺序很重要。术语复发性神经网络的“反复间”部分来自于依赖于先前计算以及当前计算的序列中给定元素的输出。与其他形式的深神经网络不同,RNN具有“存储器”,并且在序列中的不同时间步骤中计算的信息用于计算最终值。

还有多种类型的RNN,包括双向RNN,除了在计算项目的值时,除了先前的项目之外,还考虑序列中的未来项目。另一种类型rnn.是A.短期内记忆或LSTM, 网络。 LSTMS是可以处理长链的RNN类型的类型。常规RNN可能会使受害者成为叫做“爆炸梯度问题”的东西。当输入数据链变得非常长时间,此问题会发生,但LSTM具有打击此问题的技术。

autoencoders.

到目前为止提到的大多数深度学习架构都适用于监督学习问题,而不是无人监督的学习任务。 AutoEncoders能够将无监督数据转换为监督格式,允许在问题上使用神经网络。

autoencoders.经常用于检测数据集中的异常,作为异常的性质是未经监督的学习的例子,作为异常的性质。异常检测的这些例子包括金融机构的欺诈检测。在此上下文中,AutoEncoder的目的是确定数据中规则模式的基线,并识别异常或异常值。

AutoEncoder的结构通常是对称的,隐藏层排列,使得网络的输出类似于输入。看到频繁使用的四种类型的AutoEncoder是:

  • 常规/普通的autoencoders
  • 多层编码器
  • 卷积编码器
  • 正则编码器

常规/普通的AutoEncoders只是具有单个隐藏层的神经网络,而多层AutoEncoders是具有多于一个隐藏层的深网络。卷积AutoEncoders使用卷积层而不是完全连接的层。正则化的AutoNiCoders使用特定类型的丢失函数,使神经网络执行更复杂的功能,而不是仅将输入复制到输出。

生成的对抗网络

生成的对抗网络(GANS)实际上是多个深度神经网络而不是一个网络。两个深入学习模型在接受同时培训,并将其输出送入其他网络。网络彼此竞争,因为他们互相访问’S输出数据,他们都学习此数据并改进。这两个网络基本上播放了伪造和检测的游戏,在那里生成模型试图创建将欺骗侦探模型/鉴别器的新实例。 GANS在计算机视野领域变得流行。

深入学习罪述

深度学习扩展了神经网络的原理,创建了可以学习复杂模式的复杂模型,并将这些模式概括为未来的数据集。卷积神经网络用于解释图像,而RNNS / LSTMS用于解释顺序数据。 AutoEncoders可以将无监督的学习任务转换为监督的学习任务。最后,GAN是彼此困境的多个网络,对计算机视觉任务特别有用。

Blogger和Programmer有专业的机器学习深度学习话题。丹尼尔希望帮助别人利用AI的力量来社交。