前言

主要內(nèi)容

全文內(nèi)容總共分為六大部分：線型回歸、softmax 回歸、多層神經(jīng)網(wǎng)絡(luò)、模型選擇、必知技巧、思維導(dǎo)圖。

1 線型回歸

預(yù)測(cè)氣溫、預(yù)測(cè)銷售額、預(yù)測(cè)商品價(jià)格等

模型：權(quán)重，偏差

模型訓(xùn)練：feed 數(shù)據(jù)學(xué)習(xí)模型參數(shù)值，使得誤差盡可能小

訓(xùn)練集、測(cè)試集、驗(yàn)證集、樣本、標(biāo)簽、特征

損失函數(shù)：回歸常用平方誤差函數(shù)；

優(yōu)化算法：小批量隨機(jī)梯度下降（每次選一小批樣本訓(xùn)練參數(shù)），每批樣本大小叫做 batch size

學(xué)習(xí)率：正數(shù)

超參數(shù)：不是通過訓(xùn)練學(xué)出的，如學(xué)習(xí)率，批量大小

網(wǎng)絡(luò)輸出層只有一個(gè)神經(jīng)元節(jié)點(diǎn)

全連接層：輸出層中的神經(jīng)元和輸入層中各個(gè)輸入完全連接

基本要素：模型、訓(xùn)練數(shù)據(jù)、損失函數(shù)和優(yōu)化算法

2 softmax 回歸

圖像分類、垃圾郵件識(shí)別、交易詐騙識(shí)別、惡意軟件識(shí)別等

softmax運(yùn)算符將輸出值變換成值為正，且和為1的概率分布

交叉熵?fù)p失函數(shù)：更適合衡量?jī)蓚€(gè)概率分布差異

softmax 回歸是一個(gè)單層神經(jīng)網(wǎng)絡(luò)，輸出個(gè)數(shù)等于類別個(gè)數(shù)

3 多層神經(jīng)網(wǎng)絡(luò)

激活函數(shù)：一種非線性函數(shù)

ReLU函數(shù)：只保留正數(shù)元素，負(fù)數(shù)元素清零

sigmoid函數(shù)：將元素值變換到0到1

tanh(雙曲正切)：元素值變換到-1到1

4 模型選擇

模型在訓(xùn)練集上更準(zhǔn)確時(shí)，不代表在測(cè)試集上就一定準(zhǔn)確

訓(xùn)練誤差：訓(xùn)練數(shù)據(jù)集上表現(xiàn)出的誤差；泛化誤差：模型在測(cè)試集上表現(xiàn)的誤差期望

機(jī)器學(xué)習(xí)需要關(guān)注降低泛化誤差

模型選擇：評(píng)估若干候選模型的表現(xiàn)并從中選擇模型

候選模型可以是有著不同超參數(shù)的同類模型

驗(yàn)證集：預(yù)留訓(xùn)練和測(cè)試集之外的數(shù)據(jù)； 折交叉驗(yàn)證：訓(xùn)練集分成份，共次輪詢訓(xùn)練集

欠擬合：模型無法得到較低的訓(xùn)練誤差

過擬合：模型的訓(xùn)練誤差遠(yuǎn)小于測(cè)試集上的誤差

模型復(fù)雜度：低，容易欠擬合；高，容易過擬合

數(shù)據(jù)集大小：訓(xùn)練樣本少，尤其少于學(xué)習(xí)參數(shù)數(shù)時(shí)，容易過擬合；層數(shù)多時(shí)盡量數(shù)據(jù)大些

5 必知技巧

過擬合解決措施之一：權(quán)重衰減，常用L2正則

L2懲罰系數(shù)越大，懲罰項(xiàng)在損失函數(shù)中比重就越大

丟棄法(dropout)：一定概率丟棄神經(jīng)元

正向傳播：沿著輸入層到輸出層的順序，依次計(jì)算并存儲(chǔ)模型的中間變量

反向傳播：從輸出層到輸入層參數(shù)調(diào)整過程

訓(xùn)練深度學(xué)習(xí)模型時(shí)，正向傳播和反向傳播間相互依賴

數(shù)值穩(wěn)定性的問題：衰減和爆炸

層數(shù)較多時(shí)容易暴露，如每層都是一個(gè)神經(jīng)元的30層網(wǎng)絡(luò)，如果權(quán)重參數(shù)為0.2，會(huì)出現(xiàn)衰減；如果權(quán)重參數(shù)為2，會(huì)出現(xiàn)爆炸

權(quán)重參數(shù)初始化方法：正態(tài)分布的隨機(jī)初始化；Xavier 隨機(jī)初始化。

6 思維導(dǎo)圖

以上1-5節(jié)的完整思維導(dǎo)圖，制作出來方便大家更好學(xué)習(xí)：

喜歡的朋友可以轉(zhuǎn)發(fā)關(guān)注女神一波哈，希望能多多支持女神！