深度学习笔记

1、学习与智能

学习的能力,是智能的本质。

2、ImageNet图像分类比赛

ImageNet图像分类比赛,共有22K个类别,14M张图像。

3、传统人工智能算法与深度学习算法的比较

在这里插入图片描述

4、无人驾驶汽车需要用到的深度学习技术

(1)物体检测;
(2)行人检测;
(3)标志识别;
(4)速度识别。

5、深度学习的常规套路

(1)收集数据并给定标签;
(2)训练一个分类器;
(3)测试,评估。

6、K近邻算法

(1)算法思想
对于未知类别属性数据集中的点:

  1. 计算已知类别数据集中的点与当前点的距离
  2. 按照距离依次排序
  3. 选取与当前点距离最小的K个点
  4. 确定前K个点所在类别的出现概率
  5. 返回前K个点出现频率最高的类别作为当前点预测分类。

(2)算法解释

  1. KNN 算法本身简单有效,它是一种 lazy-learning 算法。
    分类器不需要使用训练集进行训练,训练时间复杂度为0。
    KNN 分类的计算复杂度和训练集中的文档数目成正比,也就是说,如果训练集中文档总数为 n,那么 KNN 的分类时间复杂度为O(n)。
    K 值的选择,距离度量和分类决策规则是该算法的三个基本要素。
    该算法在分类时有个主要的不足是,当样本不平衡时,如一个类的样本容量很大,而其他类样本容量很小时,有可能导致当输入一个新样本时,该样本的 K 个邻居中大容量类的样本占多数。解决方法:不同的样本给予不同权重项。

  2. 选取超参数的正确方法是:将原始训练集分为训练集和验证集,我们在验证集上尝试不同的超参数,最后保留表现最好那个。
    如果训练数据量不够,使用交叉验证方法,它能帮助我们在选取最优超参数的时候减少噪音。
    一旦找到最优的超参数,就让算法以该参数在测试集跑且只跑一次,并根据测试结果评价算法。
    最近邻分类器能够在CIFAR-10上得到将近40%的准确率。该算法简单易实现,但需要存储所有训练数据,并且在测试的时候过于耗费计算能力。
    最后,我们知道了仅仅使用L1和L2范数来进行像素比较是不够的,图像更多的是按照背景和颜色被分类,而不是语义主体本身。

  3. 预处理你的数据:对你数据中的特征进行归一化(normalize),让其具有零平均值(zero mean)和单位方差(unit variance)。
    如果数据是高维数据,考虑使用降维方法,比如PCA。
    将数据随机分入训练集和验证集。按照一般规律,70%-90% 数据作为训练集,在验证集上调优,尝试足够多的k值,尝试L1和L2两种范数计算方式。

7、数据库样例CIFAR-10

该数据库有:10类标签,50000个训练数据,10000个测试数据,大小均为32*32。

8、L1距离(城市距离)与L2距离(欧式距离)

9、交叉验证

10、损失函数

(1)损失函数的计算

(2)损失函数的可容忍程度

(3)损失函数公式

(4)正则化惩罚项
在这里插入图片描述

L2正则化

(5)损失函数终极版

11、Sigmoid函数

12、Softmax分类器

Softmax的输出(归一化的分类概率)。
损失函数:交叉熵损失(cross-entropy loss)。


被称作softmax 函数。其输入值是一个向量,向量中元素为任意实数的评分值。输出一个向量,其中每个元素值在0到1之间,且所有元素之和为1。

13、SVM损失函数与Softmax损失函数对比


损失函数公式汇总

14、梯度下降

Batchsize通常是2的整数倍(32,64,128)。
学习率比较图:

15、ReLu激活函数

16、Drop-Out

17、卷积神经网络

(1)卷积神经网络组成:
[INPUT - CONV - RELU - POOL - FC]
输入层-卷积层-激活函数-池化层-全连接层
(2)卷积层计算过程




(3)特征图大小计算

(4)卷积神经网络的权重参数个数计算

所以,得到同样的感受野大小,卷积核较小的网络虽然层数更多,但是权重参数更少。
(5)经典的卷积神经网络
在这里插入图片描述


(6)经典卷积神经网络的模型库
Caffe框架的卷积神经网络模型库“Model Zoo”:
https://github.com/BVLC/caffe/wiki/Model-Zoo

18、数据增强

数据增强方式包括:平移、旋转、伸缩、裁剪、镜头扭曲变形等。

19、迁移学习

在这里插入图片描述

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 书香水墨 设计师:CSDN官方博客 返回首页