零基础入门深度学习(全).pdf

零基础入门深度学习（一 ）：感应器、线性单元和梯度下降 无论即将到来的是大数据时代还是人工智能时代，亦或是传统行业使用人工智能在云上处理大数据的时代， 作为一个有理想有追求的程序员，不懂深度学习（Deep Learning ）这个超热的技术，会不会感觉马上就 out 了？现在救命稻草来了，《零基础入门深度学习》系列文章旨在帮助爱编程的你从零基础达到入门级水 平。 零基础意味着你不需要太多的数学知识，只要会写程序就行了，没错，这是专门为程序员写的文章。虽然文 中会有很多公式你也许看不懂，但同时也会有更多的代码，程序员的你一定能看懂的（我周围是一群狂热的 Clean Code 程序员，所以我写的代码也不会很差）。 1 深度学习是啥 在人工智能领域，有一个方法叫机器学习。在机器学习这个方法里，有一类算法叫神经网络。神经网络如下 图所示： 上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多 层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层 ，这层负责接收输 入数据；最右边的层叫输出层 ，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏 层。 隐藏层比较多（大于 2 ）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经 网络）的机器学习方法。 那么深层网络和浅层网络相比有什么优势呢？简单来说深层网络能够表达力更强。事实上，一个仅有一个隐 藏层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。而深层网络用少得多的神经元就能 拟合同样的函数。也就是为了拟合一个函数，要么使用一个浅而宽的网络，要么使用一个深而窄的网络。而 后者往往更节约资源。 深层网络也有劣势，就是它不太容易训练。简单的说，你需要大量的数据，很多的技巧才能训练好一个深层 网络。这是个手艺活。 2 感知器 看到这里，如果你还是一头雾水，那也是很正常的。为了理解神经网络，我们应该先理解神经网络的组成单 元——神经元。神经元也叫做感知器。感知器算法在上个世纪 50-70 年代很流行，也成功解决了很多问 题。并且，感知器算法也是非常简单的。  感知器的定义 下图是一个感知器： 可以看到，一个感知器有如下组成部分： 如果看完上面的公式一下子就晕了，不要紧，我们用一个简单的例子来帮助理解。 例子：用感知器实现 and 函数 我们设计一个感知器，让它来实现 and 运算。程序员都知道，and 是一个二元函数（带有两个参数和）， 下面是它的真值表： 为了计算方便，我们用 0 表示 false ，用1 表示 true。这没什么难理解的，对于 C 语言程序员来说，这是 天经地义的。 我们令，而激活函数就是前面写出来的阶跃函数，这时，感知器就相当于 and 函数。不明白？我们验算一 下： 输入上面真值表的第一行，即，那么根据公式(1) ，计算输出： 也就是当 X1X2 都为 0 的时候，为0 ，这就是真值表的第一行。读者可以自行验证上述真值表的第二、三、 四行。 例子：用感知器实现 or 函数 同样，我们也可以用感知器来实现or 运算。仅仅需要把偏置项的值设置为-0.3 就可以了。我们验算一下， 下面是 or 运算的真值表： 我们来验算第二行，这时的输入是，带入公式(1) ： 也就是当时 X1=0 ，X2=为 1 ，即or 真值表第二行。读者可以自行验证其它行。  感知器还能做什么 事实上，感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数，任何线性分类或线性回归问题 都可以用感知器来解决。前面的布尔运算可以看作是二分类问题，即给定一个输入，输出0 （属于分类0 ） 或 1 （属于分类1 ）。如下面所示，and 运算是一个线性分类问题，即可以用一条直线把分类 0 （false ，红 叉表示）和分类 1 （true ，绿点表示）分开。 然而，感知器却不能实现异或运算，如下图所示，异或运算不是线性的，你无法用一条直线把分类 0 和分类 1 分开。   感知器的训练 现在，你可能困惑前面的权重项和偏置项的值是如何获得的呢？这就要用到感知器训练算法：将权重项和偏 置项初始化为 0 ，然后，利用下面的感知器规则迭代的修改和，直到训练完成。 其中: Wi 是与输入 Xi 对应的权重项，b 是偏置项。事实上，可以把看作是值永远为 1 的输入Xb 所对应的权重。 是训练样本的实际值 ，一般称之为label。而是感知器的输出值，它是根据公式(1)计算得出。是一个称为学