01深度学习与人工智能简介

什么是人工智能？

观察周围的世界，把看到的事物加以理解，最后通过理解进行一系列的决策。
感知+理解+决策。

学习的能力，是智能的本质！

大数据时代

大数据时代造就了人工智能的高速发展

深度学习

上世纪九十年代就已经存在。
2012年Alex-net在ImageNet图像分类比赛中一炮打响。
2016年阿尔法狗战胜李世石说明人工智能时代来临。

百度绘制传统AI算法与深度学习算法对比

深度学习述说图片的故事

无人驾驶汽车
1.物体检测
2.行人检测
3.标志识别
4.速度识别
……

02计算机视觉面临挑战与常规套路

图像分类：计算机视觉核心任务

图像在计算机中长什么样呢？

一张图片被表示成三维数组的形式，每个像素的值从0到255。
像素点可以直接与亮度挂钩，像素点越大，亮度越高。

挑战：照射角度

挑战：光照强度

挑战：形状改变

挑战：部分遮蔽

挑战：背景混入

深度学习的套路

1.收集数据并给定标签
2.训练一个分类器
3.测试，评估

03用K近邻来进行图像分类

1.如果K=3，绿色圆点的最近3个邻居是2个红色小三角形和1个蓝色小正方形，少数服从多数，基于统计的方法，判定绿色的这个待分类点属于红色的三角形一类。
2. 如果K=5，绿色圆点的最近5个邻居是2个红色小三角形和3个蓝色小正方形，少数服从多数，基于统计的方法，判定绿色的这个待分类点属于蓝色的正方形一类。

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.选取与当前距离最小的K个点

（K最好选为奇数）

4.确定前K个点所在类别的出现概率

5.返回前K个点出现概率最高的类别作为当前点的预测分类

K-近邻概述

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-近邻缺陷

K值的选择，距离度量和分类决策规划是该算法的三个基本要素。

问题：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个邻居大容量类的样本占多数。

解决，不同的样本给予不同权重项。

数据库样例：CIFAR-10

10类标签
50000个训练数据
10000个测试数据
大小均为32*32

如何计算

04超参数与交叉验证

超参数

问题：

1.对于距离如何设定？
2.对于K近邻的K该如何选择？
3.如果有的话，其他超参数该怎么设定？

解决：

找到最好的参数：多次用测试数据实验，找到做好的一组参数组合。
但这是错误的想法，因为测试数据只能最终使用。

交叉验证

参见：python人工智能——机器学习——模型选择与调优

背景主导导致不能用K-近邻进行图片分类

总结

1.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。

2.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。

3.一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。

4.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。

5.最后，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，而不是语义主体分身。

6.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）。

7.如果数据是高维数据，考虑使用降维方法，比如PCA。

8.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。

9.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。

05线性分类

假设有这么一张我学校的校徽图片，对应大小为[32323]，然后有十个标签，想要找一组比较好的权重参数w，得出当前的权重参数对每个分类的得分。

转换为矩阵形式：
将32323=3072个像素点进行拉伸，转换成一个列向量：30721的矩阵，结果是101的矩阵，则w为3072*10的二维矩阵，每个元素都是一个权重参数，跟图像转换的矩阵进行组合，就可以算出得分。

06损失函数

07正则化惩罚项

w1只关注第一个像素点，w2对每个像素点一视同仁，虽然结果相同，但是对于w1是不可取的。

由此可得，损失函数终极版：

深度学习——02、深度学习入门 1-7相关推荐

【github干货】主流深度学习开源框架从入门到熟练
文章首发于微信公众号<有三AI> [github干货]主流深度学习开源框架从入门到熟练今天送上有三AI学院第一个github项目 01项目背景目前深度学习框架呈百家争鸣之态势,光是为人 ...
人工智能教程第一课深度学习和计算机视觉TensorFlow入门
深度学习学习目标知道什么是深度学习知道深度学习的应用场景 1.什么是深度学习在介绍深度学习之前,我们先看下人工智能,机器学习和深度学习之间的关系: 机器学习是实现人工智能的一种途径,深度学习是 ...
五本必读的深度学习圣经书籍，入门 AI 从深度学习开始
原标题:`五本必读的深度学习圣经书籍,入门 AI 从「深度学习」开始` (以下以 Daniel Jeffries 第一人称撰写) 多年来,由于实验室研究和现实应用效果之间的鸿沟,少有人持续研究人工智能 ...
PyTorch 深度学习: 60 分钟极速入门
PyTorch 深度学习: 60 分钟极速入门 2019年年初,ApacheCN组织志愿者翻译了PyTorch1.2版本中文文档(github地址),同时也获得了PyTorch官方授权,我相信已经有许 ...
【完结】给新手的12大深度学习开源框架快速入门项目
文/编辑 | 言有三这是一篇总结文,给大家来捋清楚12大深度学习开源框架的快速入门,这是有三AI的GitHub项目,欢迎大家star/fork. https://github.com/longpen ...
wandb（wb）（weights and biases）: 深度学习轻量级可视化工具入门教程
参考文章:wandb: 深度学习轻量级可视化工具入门教程这wandb有点蛋疼啊,说登录https://wandb.ai/authorize?signup=true获取API KEY,但貌似要梯子才能 ...
【强化学习】深度强化学习入门介绍
深度强化学习是一种机器学习,其中智能体(Agent,也翻译作代理)通过执行操作(Action)和查看结果(Reward)来学习如何在环境中采取最佳的动作或策略. 自 2013 年Deep Q-Lear ...
wandb: 深度学习轻量级可视化工具入门教程
本文,就来给大家介绍一款新型的机器学习可视化工具,能够让人工智能研发过程变得更加简单明了. wandb: 深度学习轻量级可视化工具入门教程引言 wandb 验证数据可视化自然语言处理重要工具极 ...
学习《深度学习入门：基于Python的理论与实现》高清中文版PDF+源代码
入门神经网络深度学习,推荐学习<深度学习入门:基于Python的理论与实现>,这本书不来虚的,一上来就是手把手教你一步步搭建出一个神经网络,还能把每一步的出处讲明白.理解神经网络,很容易就 ...
7月7日云栖精选夜读：专访 | 杨强教授谈CCAI、深度学习泡沫与人工智能入门
摘要: 中国人工智能学会.阿里巴巴集团 & 蚂蚁金服主办,CSDN.中国科学院自动化研究所承办,云栖社区作为独家直播合作伙伴的第三届中国人工智能大会(CCAI 2017)将在杭州国际会议中心盛 ...

深度学习——02、深度学习入门 1-7