TensorFlow工具快速入門教程3深度學習簡介
- ofollow,noindex">本書目錄
深度學習介紹
深度學習是模擬大腦中神經元網路的計算機軟體。它是機器學習的子集，被稱為深度學習，因為它利用了深度神經網路。
深度學習演算法的第一層稱為輸入層，最後一層稱為輸出層，中間的所有層都稱為隱藏層。深詞意味著有兩層以上的神經元。
圖片.png
每個隱藏層由神經元組成。神經元彼此連線。神經元將處理然後傳播上層的輸入訊號。給下層神經元的訊號強度取決於重量，偏差和啟用函式。
網路消耗大量輸入資料並通過多層操作它們;網路逐層學習越來越複雜的資料特徵。
深度學習過程
深度神經網路在從物體檢測到語音識別的許多工中提供最先進的精確度。他們可以自動學習，不需要程式員明確編碼的預定義知識。
圖片.png
要掌握深度學習的想法，想象一個有嬰兒和父母的家庭。蹣跚學步的孩子用小指指著物體，總是說“貓”這個詞。父母告訴他'是‘還是'否。小孩在內心深處不知道為什麼他可以說這是貓。但他學會了如何通過觀察整體寵物來提升貓的複雜特徵，並繼續關注尾巴或鼻子之類的細節。
神經網路的工作原理完全相同。每一層代表更深層次的知識，即知識的層次結構。具有四層的神經網路將比具有兩層的神經網路學習更復雜的特徵。
學習分兩個階段進行。第一階段包括應用輸入的非線性變換並建立統計模型作為輸出。 第二階段旨在用一種稱為衍生物的數學方法來改進模型。
神經網路將這兩個階段重複數百到數千次，直到達到可容忍的準確度。這個兩階段的重複被稱為迭代。
舉個例子，模特試圖學習如何跳舞。經過10分鐘的訓練，模特不知道如何跳舞，看起來像一個塗鴉。
test.gif
經過48小時的學習，電腦掌握了舞蹈藝術。
image
神經網路的分類
淺層神經網路：淺層神經網路在輸入和輸出之間只有一個隱藏層。
深度神經網路：深度神經網路有不止一層。例如，用於影象識別的Google LeNet模型計為22層。
如今，深度學習被用於許多方面，如無人駕駛汽車，行動電話，谷歌搜尋引擎，欺詐檢測，電視等。
深度學習網路的型別
圖片.png
- 前饋神經網路(Feed-forward neural networks)
最簡單的人工神經網路。使用這種型別的體系結構，資訊只向一個方向流動。資訊流從輸入層開始，進入“隱藏”層，並在輸出層結束。
- 遞迴神經網路（RNN Recurrent neural networks）
RNN是一種多層神經網路，可以在上下文節點中儲存資訊，允許它學習資料序列並輸出一個或多個序列。簡單來說，它是一個人工神經網路，其神經元之間的連線包括環。 RNN非常適合處理輸入序列。
圖片.png
比如預測"Do you want a…………?"的下一個單詞。
RNN神經元向句子開頭的訊號。
接收單詞“Do”作為輸入併產生向量。該向量被反饋給神經元以向網路提供儲存器。這個階段有助於網路記住它收到的“Do”，它在第一個位置收到它。
網路將類似地進行下一個單詞。它需要“you”和“want”這個詞。在接收到每個單詞時更新神經元的狀態。
最後階段在收到“a”後發生。神經網路將為每個可用於完成句子的英語單詞提供概率。訓練有素的RNN可能會給“café”，“drink”，“burger”等高概率詞。
RNN的常見用途
幫助證券交易者生成分析報告；檢測財務報表合同中的異常情況；檢測欺詐性信用卡交易；為影象提供標題；聊天機器人；時間序列資料或序列（例如，音訊記錄或文字）的標準使用。
- 卷積神經網路（CNN Convolutional neural networks）
CNN是一個多層神經網路，具有獨特的架構，旨在提取每層資料的日益複雜的特徵，以確定輸出。 CNN非常適合感知任務。
圖片.png
當存在非結構化資料集（例如，影象。
例如預測影象標題：
CNN接收一張貓咪的影象，這個影象在計算機術語中是畫素的集合。通常，灰度圖片為一層，彩色圖片為三層。
在特徵學習期間（即隱藏層），網路將識別獨特的特徵，例如貓的尾巴，耳朵等。
當網路徹底學會如何識別圖片時，它可以為其知道的每個影象提供概率。具有最高概率的標籤將成為網路的預測。
這是目前人臉識別最常用的技術之一。
- 強化學習(Reinforcement Learning)
強化學習是機器學習的子領域，通過接收虛擬“獎勵”或“懲罰”來訓練，主要是通過反覆試驗來學習。谷歌的DeepMind已經使用強化學習來擊敗圍棋冠軍。強化學習也用於視訊遊戲，通過提供更智慧的機器人來改善遊戲體驗。
著名的演算法有：Q-learning，Deep Q network，State-Action-Reward-State-Action (SARSA)、Deep Deterministic Policy Gradient (DDPG)。
深度學習應用
- 財務人工智慧：金融技術部門已經開始使用人工智慧來節省時間，降低成本並增加價值。深度學習正在通過使用更強大的信用評分來改變貸款行業。信用決策者可以將人工智慧用於強大的信貸出租應用程式，以實現更快，更準確的風險評估，使用機器智慧來考慮申請人的性格和能力。
Underwrite是一家為信貸公司提供AI解決方案的Fintech公司。 underwrite.ai使用AI來檢測哪個申請人更有可能償還貸款。他們的方法完全優於傳統方法。
- 人力資源AI：Under Armour，一家運動服裝公司在人工智慧的幫助下徹底改變了招聘和現代化的候選人體驗。事實上，Under Armour減少了零售店的招聘時間35％。 Under Armour在2012年面臨著越來越受歡迎的興趣。他們平均每個月有30000份簡歷。閱讀所有這些申請並開始篩選和麵試過程花了太長時間。讓人們受僱和入職的漫長過程影響了Under Armour能夠讓他們的零售店充分配備，增加並準備運營的能力。
當時，Under Armour擁有所有“必備”人力資源技術，例如採購，應用，跟蹤和入職的交易解決方案，但這些工具不夠用。 Under Armour選擇HireVue，一個人工智慧解決方案提供商，用於按需和現場採訪。
參考資料
- 討論qq群144081101 591302926 567351477 釘釘群21745728
- 本文最新版本地址
- 本文涉及的python測試開發庫 謝謝點贊！
- 本文相關海量書籍下載
- 2018最佳人工智慧機器學習工具書及下載(持續更新)
為什麼深度學習很重要？
深度學習是使預測成為可行結果的有力工具。深度學習在模式發現（無監督學習）和基於知識的預測方面表現優異。大資料是深度學習的動力。當兩者結合在一起時，組織可以在生產力，銷售，管理和創新方面獲得前所未有的成果。
深度學習可以勝過傳統方法。例如，深度學習演算法比影象分類中的機器學習演算法精確41％，面部識別精度高27％，語音識別精度高25％。
深度學習的侷限性
- 資料標籤
大多數當前的AI模型都是通過“監督學習”進行培訓的。這意味著人類必須對基礎資料進行標記和分類，這可能是一個相當大且容易出錯的工作。例如，開發自駕車技術的公司正在僱傭數百人手動註釋原型車的數小時視訊輸入，以幫助培訓這些系統。
- 獲得龐大的訓練資料集
已經表明，像CNN這樣的簡單深度學習技術在某些情況下可以模仿醫學和其他領域專家的知識。然而，當前的機器學習浪潮需要訓練資料集，這些資料集不僅標記，而且足夠廣泛和通用。
深度學習方法需要對模型進行數千次觀察才能在分類任務中變得相對較好，並且在某些情況下，需要數百萬才能在人類層面上執行。毫不奇怪，深度學習在大型科技公司中很有名;他們正在使用大資料來累積數PB的資料。它允許他們建立令人印象深刻且高度準確的深度學習模型。
- 解釋問題
從人的角度來看，大而複雜的模型很難解釋。
此外，隨著AI應用的擴充套件，監管要求也可能需要更多可解釋的AI模型。