浅谈深度学习概要1.pptxVIP

浅谈深度学习;主要内容;机器学习;Why?;What？;怎么来的？; 浅层学习（一）;浅层学习（二）;深度学习（一）;当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。 深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本中集中学习数据集本质特征的能力。（多层的好处是可以用较少的参数表示复杂的函数）;深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。 区别于传统的浅层学习，深度学习的不同在于： 1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点； 2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。利用大数据来学习特征，更能够刻画数据的丰富内在信息。;深度学习与神经网络的异同;不同点：采用了不同的训练机制。 传统神经网络中，采用的是反向传播（BP）的方式进行。即采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前计算的输出值和实际的标记值之间的差去改变前面各层的参数，直到收敛（整体是一个梯度下降法）。 BP算法不适合深度神经网络：如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递，出现过拟合。 deep learning整体上是一个layer-wise的训练机制。;深度学习的训练过程;Thank you！