重磅干货,第一时间送达 作者:石文华 编辑:龚 赛 介 绍 深度学习是机器学习的一个分支,是基于数据来学习表示数据的一组算法。下面我们列出最受欢迎的一些深度学习算法。
深度学习的目的之一是他们将取代手工制作的特征提取。这个想法是,他们将从给定的数据中“学习”到所需的最佳特征。 层与层 深度学习模型由多层构成,在人工神经网络的情况下,具有2个以上隐藏层的多层感知器(MLP)已经是深度模型。 层类型
避免过拟合(正则化) 除了获得更多的数据之外,还有一些技巧用于解决过度拟合问题,这里列出了一些最常见的技术:
Dropout 这是一种在训练期间随机关闭全连接层中一些神经元的技术。 Dropout迫使全连接层以不同的方式学习相同的概念。 L2正则化 最常见的正则化形式是L2正则化,L2正则化是给损失函数添加一个额外的惩罚项,这个惩罚项也就是我们正在优化的所有权重/参数的平方值。对于神经网络的每一个参数ω,我们加入一项0.5λω²到损失函数中去,λ表示正则化强度的参数,当我们反向传播计算导数时,我们只是用了0.5λ作为正则化的强度。由于使用这种正规化,非常高价值的权重受到严重惩罚。所以我们更倾向于使用一层的所有权重作为输入,而不是少数一些权重带替代。这种方法的效果比较好,因为我们的模型权重将被最大限度地利用,并且我们有更少未使用的权重。 除了L2正则化之外,还有L1正则化和Max Norm,但这里没有讨论,因为L2一般表现更好。 数据增强 通过对输入数据进行一些转换,可以合成新的训练样例。例如,进行图像翻转或随机移动RGB值。在2012年Imagenet竞赛期间,Alex Krizhevesky(Alexnet)使用了2048倍的因子进行数据增强,这意味着用于训练其模型的数据集实际上比开始时大2048倍,并且在不使用数据增强的情况下改进了泛化。 分层的特征表示 它是让学习算法找到从输入到更深层的最佳表示。 卷 积 卷积是一种数学运算,它对两个函数(信号)乘积进行积分,其中一个信号是被翻转。例如下面我们对2个信号f(t)和g(t)进行卷积。 首先要做的是水平翻转(180度)信号g,然后将翻转后的g滑过f,对应相乘并累加所有的值。 输出一维信号 在一维卷积的情况下,输出尺寸计算如下: 卷积的应用 人们在以下用例中对信号处理使用卷积:
在matlab和python(numpy)中的简单例子 下面我们将两个信号x =(0,1,2,3,4)与w =(1,-1,2)进行卷积。 手工操作 为了更好地理解卷积的概念,我们手工完成上面的例子。我们要卷积2个信号(x,w)。首先是水平翻转W(或向左旋转180度) 之后,我们将翻转的W滑过输入X. 注意到在步骤3,4,5中,翻转后的窗口完全位于输入信号的内部。称为“有效”卷积。在翻转窗口不完全位于输入窗口(X)内部的情况下,我们可以将其视为零,只计算位于窗口内的数据,例如在步骤1中,我们将1乘以零,其余部分将被忽略。 对输入进行填充 为了保持卷积结果大小与输入大小相同,并避免称为循环卷积的效应,我们用零填充信号。 在matlab上,你可以使用命令'padarray'来填充输入信号: x(:,:,1) =
x(:,:,2) = 2 1 0 0 0 x(:,:,3) =
>> padarray(x,[1 1]) ans(:,:,1) = 0 0 0 0 0 0 0 ans(:,:,2) =
ans(:,:,3) = 0 0 0 0 0 0 0 将卷积转化为计算图 将操作转化为计算图,更容易计算每个节点参数的偏导数,这里我们演示将之前的一维卷积转化为计算图,这也可以扩展到二维卷积。 计算图的创建是在翻转的内核完全插入被卷积的数据之前的。 之后我们将使用这个图来推断卷积层的输入(x)和权重(w)的梯度。 2D卷积 现在我们延伸到第二个维度。2D卷积被用作图像滤波器。下面是一个2D图像卷积的例子: Matlab与Python示例 手工操作 首先,我们应该翻转内核,然后在输入信号上滑动内核。 步 长 默认情况下,当我们进行卷积运算时,我们的窗口每次移动一个像素(步幅= 1),但是在卷积神经网络中我们需要移动多个像素。例如,在使用大小为2的内核进行卷积时,我们将使用2的步幅。将步幅和内核大小都设置为2将导致输出沿着两个维度恰好为输入大小的一半。 2D的输出尺寸 下面提供了一个公式计算我们卷积之后的输出尺寸 。 F是内核的大小,通常我们使用方形内核,所以F既是内核的宽度又是高度。 实现卷积运算 下面的示例将对一个5x5x3的输入进行卷积,其中具有以下参数Stride=2,Pad=1,F=3(3x3内核)和K=2(两个滤波器)的conv层。 仔细看看这个例子,我们需要计算2个卷积,不要忘了给每个3x3x3滤波器(w0,w1)添加偏差。 参考文献
|
|