学科前沿讲座神经网络，机器学习，深度学习

文章目录

人工智能的发展史
机器学习
- 5个要点
- 分类
- 感知机
- - 激活函数
  - 损失函数
  - 梯度下降
- 多层感知机
- - 前向传播
  - 反向传播
- 卷积神经网络CNN
- 循环神经网络RNN
- - 梯度爆炸和梯度消失
  - 解决梯度爆炸和消失：LSTM
- 注意力机制
- 机器学习小方法
总结

人工智能的发展史

自然语言处理–反向传播算法–硬件和算力问题–贝叶斯网络，马尔科夫链–深度学习（2007至今）

机器学习

有一个任务，基于一个评价的指标，学习一个经验。希望训练的模型能处理未知的数据

5个要点

任务task，模型model，目标函数objective（loss ）function，优化器optimizer（SGD），评价指标evaluation metric

注：loss function是objective function的一种，都是衡量预测函数和实际函数的差值

分类

1，有监督学习（分类，回归）

2，无监督学习（KNN，KMeans）

3，强化学习（接受反馈不断调整）

感知机

模型

f是激活函数，使原来的线性函数产生非线性变化

线性回归，逻辑回归（加了激活函数），机器学习（神经网络）

激活函数

1，sigmoid （缺点：梯度爆炸，梯度消失）

2，Tanh

3，Relu

4，Softmax（每一个值除以所有值的和）

损失函数

J = 1/N *∑（y真实值-y预测值）

1，L1 loss
2，L2 loss （误差均方MSE）（常用）

监督学习分为：回归（y是负无穷到正无穷），分类（y是离散的点）
极大似然估计:

梯度下降

优化的是θ

方法：1，批量梯度下降 2，随机梯度下降 3，小批量梯度下降

多层感知机

前向传播

反向传播

从后往前，优化各层的权重w

卷积神经网络CNN

卷积（对应相乘求和）–padding（解决边界不够的问题）–stride（每次跳跃的步幅可以是1，也可以是2）–通道channel（获得更多的特征）–池化pooling（通过取小矩阵最大值、平均值等将大矩阵压缩）

循环神经网络RNN

当前信息xt，融合上一步信息x（t-1）乘以权重得到的h（t-1），把这俩各自乘以本步的权重加一起用tanh函数激活，得到ht

优化模型：GRU，只有两道门

梯度爆炸和梯度消失

原因是连乘造成的
小于1的数连续乘以100次导致结果=0 eg.（0.99）^100
大于1的数连续乘以100次导致结果无穷大

解决梯度爆炸和消失：LSTM

引入了forget门，相当于在连乘中加入了筛选机制

注意力机制

有限的注意力集中在重要的信息上，从而节省资源，快速获得最有效的信息

可以嵌入CNN和RNN使用

机器学习小方法

解决过拟合和欠拟合问题：
L1正则，L2正则等

Dropout
Weight Decay
Batch Normalization
Layer Normalization
Early stopping

总结

机器学习的五个要素

感知机

多层感知机

卷积和循环

注意力机制

机器学习中小解决方案