- 1、本文档共98页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
深度学习的基本理论与方法
成科扬
2013年10月30日
目 录
概述
动机
深度学习简介
深度学习的训练过程
深度学习的具体模型及方法
深度学习的性能比较
深度学习的应用
展望
参考文献
相关程序软件及链接
概 述
深度学习:一种基于无监督特征学习和特征层次结构的学习方法
可能的的名称:
深度学习
特征学习
无监督特征学习
动 机
良好的特征表达,对最终算法的准确性起了非常关键的作用;
识别系统主要的计算和测试工作耗时主要集中在特征提取部分;
特征的样式目前一般都是人工设计的,靠人工提取特征。
传统的模式识别方法:
动 机——为什么要自动学习特征
实验:LP-β Multiple Kernel Learning
Gehler and Nowozin, On Feature Combination for Multiclass Object Classification, ICCV’09
采用39 个不同的特征
PHOG, SIFT, V1S+,Region Cov. Etc.
在普通特征上MKL表现
有限
结论:特征更重要
动 机——为什么要自动学习特征
机器学习中,获得好的特征是识别成功的关键
目前存在大量人工设计的特征,不同研究对象特征不同,特征具有多样性,如:SIFT, HOG, LBP等
手工选取特征费时费力,需要启发式专业知识,很大程度上靠经验和运气
是否能自动地学习特征?
中层特征
中层信号:
动 机——为什么要自动学习特征
“Tokens” from Vision by D.Marr:
连续
平行
连接
拐角
物体部件:
他们对于人工而言是十分困难的,那么如何学习呢?
动 机——为什么要自动学习特征
一般而言,特征越多,给出信息就越多,识别准确性会得到提升;
但特征多,计算复杂度增加,探索的空间大,可以用来训练的数据在每个特征上就会稀疏。
结论:不一定特征越多越好!需要有多少个特征,需要学习确定。
动 机——为什么采用层次网络结构
人脑视觉机理
1981年的诺贝尔医学奖获得者 David Hubel和TorstenWiesel发现了视觉系统的信息处理机制
发现了一种被称为“方向选择性细胞的神经元细胞,当瞳孔发现了眼前的物体的边缘,而且这个边缘指向某个方向时,这种神经元细胞就会活跃
动 机——为什么采用层次网络结构
人脑视觉机理
人的视觉系统的信息处理是分级的
高层的特征是低层特征的组合,从低层到高层的特征表示越来越抽象,越来越能表现语义或者意图
抽象层面越高,存在的可能猜测就越少,就越利于分类
动 机——为什么采用层次网络结构
视觉的层次性
属性学习,类别作为属性的一种组合映射
Lampert et al. CVPR’09
类别标签
属性
图像特征
动 机——为什么采用层次网络结构
特征表示的粒度
具有结构性(或者语义)的高层特征对于分类更有意义
动 机——为什么采用层次网络结构
初级(浅层)特征表示
高层特征或图像,往往是由一些基本结构(浅层特征)组成的
动 机——为什么采用层次网络结构
结构性特征表示
动 机——为什么采用层次网络结构
浅层学习的局限
人工神经网络(BP算法)
—虽被称作多层感知机,但实际是种只含有一层隐层节点的浅层模型
SVM、Boosting、最大熵方法(如LR,Logistic Regression)
—带有一层隐层节点(如SVM、Boosting),或没有隐层节点(如LR)的浅层模型
局限性: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限。
深度学习
2006年,加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton在《科学》上发表论文提出深度学习主要观点:
1)多隐层的人工神经网络具有优异的特征学习能力,学习得到的特征对数据有更本质的刻画,从而有利于可视化或分类;
2)深度神经网络在训练上的难度,可以通过“逐层初始化”(layer-wise pre-training)来有效克服,逐层初始化可通过无监督学习实现的。
深度学习
本质:通过构建多隐层的模型和海量训练数据(可为无标签数据),来学习更有用的特征,从而最终提升分类或预测的准确性。 “深度模型”是手段,“特征学习”是目的。
与浅层学习区别:
1)强调了模型结构的深度,通常有5-10多层的隐层节点;
2)明确突出了特征学习的重要性,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。与人工规则构造特征的方法相比,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
好处: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。
深度学习 vs. 神经网络
神经网络 :
文档评论(0)