感知器萍摊、線性單元

參考:零基礎(chǔ)入門(mén)深度學(xué)習(xí)(1) - 感知器 - 作業(yè)部落 Cmd Markdown 編輯閱讀器 (zybuluo.com)
系列

一屎即、感知器

1.深度學(xué)習(xí)引言

(1)人工智能方法->機(jī)器學(xué)習(xí)
(2)機(jī)器學(xué)習(xí)算法->神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò):神經(jīng)元+連接
其中:輸入層+隱藏層+輸出層
(3)隱藏層較多的神經(jīng)網(wǎng)絡(luò)->深度神經(jīng)網(wǎng)絡(luò)
即:深度學(xué)習(xí):使用深層架構(gòu)的機(jī)器學(xué)習(xí)方法
(4)優(yōu)缺點(diǎn)护昧?
=>1隱藏層+多神經(jīng)元=多隱藏層+1神經(jīng)元=擬合任何一個(gè)函數(shù)(任何線性分類or線性回歸坚踩,但異或運(yùn)算打咩)呈础,即節(jié)約資源
=> 需要大量數(shù)據(jù)+優(yōu)化方法=好的深層網(wǎng)絡(luò)

2.感知器(神經(jīng)元)

(1)輸入(x1,x2,……) 權(quán)值(w1,w2,……) 偏置項(xiàng)b(w0)
(2)激活函數(shù)
(3)輸出 y=f(w*x+b)

3.感知器訓(xùn)練

即:獲得權(quán)重塌碌、偏執(zhí)值
算法:初始=0渊胸,然后利用下面的感知器規(guī)則迭代的修改,直到訓(xùn)練完成



其中台妆,



b:值永遠(yuǎn)為1的輸入所對(duì)應(yīng)的權(quán)重
t:訓(xùn)練樣本的實(shí)際值翎猛,label
y:輸出值

n:學(xué)習(xí)速率胖翰,常數(shù)。為了控制每一步調(diào)整權(quán)的幅度切厘。
每次從訓(xùn)練數(shù)據(jù)中取出一個(gè)樣本的輸入向量萨咳,使用感知器計(jì)算其輸出,再根據(jù)上面的規(guī)則來(lái)調(diào)整權(quán)重疫稿。每處理一個(gè)樣本就調(diào)整一次權(quán)重培他。經(jīng)過(guò)多輪迭代后(即全部的訓(xùn)練數(shù)據(jù)被反復(fù)處理多輪),就可以訓(xùn)練出感知器的權(quán)重遗座,使之實(shí)現(xiàn)目標(biāo)函數(shù)舀凛。

4.實(shí)例

5.總結(jié)

二、線性單元途蒋、梯度下降

1.線性單元

數(shù)據(jù)集線性可分+感知器規(guī)則=>感知器訓(xùn)練
數(shù)據(jù)集線性不可分+可導(dǎo)的線性函數(shù)=>感知器訓(xùn)練
此時(shí)的感知器叫做線性單元猛遍。


2.線性單元模型(即預(yù)測(cè)y的算法)


h(x):假設(shè)
(x1,x2,……):特征向量
w1,w2,……:每個(gè)向量對(duì)應(yīng)的參數(shù)
b:參數(shù)
也可以令b=w0, x0=1



此時(shí)y就是輸入特征的線性組合

3.模型的訓(xùn)練

3.1訓(xùn)練方法

1.監(jiān)督方法
輸入數(shù)據(jù)->模型計(jì)算(模型獲得:已知一些樣本+實(shí)際值,總結(jié)規(guī)律)->預(yù)測(cè)該數(shù)據(jù)的值
2.無(wú)監(jiān)督方法
模型可以總結(jié)出特征的一些規(guī)律号坡,但是無(wú)法知道其對(duì)應(yīng)的答案螃壤。
很多時(shí)候,既有x又有y的訓(xùn)練樣本是很少的筋帖,大部分樣本都只有在x奸晴。比如在語(yǔ)音到文本(STT)的識(shí)別任務(wù)中,x是語(yǔ)音日麸,y是這段語(yǔ)音對(duì)應(yīng)的文本寄啼。我們很容易獲取大量的語(yǔ)音錄音,然而把語(yǔ)音一段一段切分好并標(biāo)注上對(duì)應(yīng)文字則是非常費(fèi)力氣的事情代箭。這種情況下墩划,為了彌補(bǔ)帶標(biāo)注樣本的不足,我們可以用無(wú)監(jiān)督學(xué)習(xí)方法先做一些聚類嗡综,讓模型總結(jié)出哪些音節(jié)是相似的乙帮,然后再用少量的帶標(biāo)注的訓(xùn)練樣本,告訴模型其中一些音節(jié)對(duì)應(yīng)的文字极景。這樣模型就可以把相似的音節(jié)都對(duì)應(yīng)到相應(yīng)文字上察净,完成模型的訓(xùn)練

3.2線性單元的訓(xùn)練

從誤差角度:

單個(gè)樣本

所有樣本誤差和

其中

整理得

對(duì)于一個(gè)模型,誤差越小越好盼樟。由公式看出氢卡,其實(shí)就是求一個(gè)權(quán)重,使得E最小晨缴。
這在數(shù)學(xué)上稱作優(yōu)化問(wèn)題译秦,而就是我們優(yōu)化的目標(biāo),E稱之為目標(biāo)函數(shù)

3.3 訓(xùn)練單元的優(yōu)化算法(梯度下降優(yōu)化算法)

1.數(shù)學(xué)上:求E的最小值=>求導(dǎo)筑悴,得極值點(diǎn)
計(jì)算機(jī)上:求E的最小值=>依次試每個(gè)權(quán)重值们拙,迭代求得最終的極值點(diǎn)
2.如何試?
向函數(shù)的梯度(上升方向最快的方向)的相反(即函數(shù)下降最快的方向)方向來(lái)修改
3.梯度下降的算法公式

新值=舊值-學(xué)習(xí)速率*梯度

誤差E即函數(shù)


最終得到線性單元的參數(shù)修改

用向量表示阁吝,其中w睛竣、x都是N+1維(虛擬0),y是一維標(biāo)量

此時(shí)求摇,每次w的迭代射沟,都需要遍歷訓(xùn)練數(shù)據(jù)中所有樣本計(jì)算。=>批梯度下降(Batch Gradient Descent)

3.3隨機(jī)梯度下降算法SGD

1.每次更新的迭代与境,只計(jì)算一個(gè)樣本验夯。
2.由于樣本的噪音和隨機(jī)性,每次更新并不一定按照減少的方向摔刁。然而挥转,雖然存在一定隨機(jī)性,大量的更新總體上沿著減少的方向前進(jìn)的共屈,因此最后也能收斂到最小值附近绑谣。
3.SGD不僅僅效率高,而且隨機(jī)性有時(shí)候反而是好事拗引。今天的目標(biāo)函數(shù)是一個(gè)『凸函數(shù)』借宵,沿著梯度反方向就能找到全局唯一的最小值。然而對(duì)于非凸函數(shù)來(lái)說(shuō)矾削,存在許多局部最小值壤玫。隨機(jī)性有助于我們逃離某些很糟糕的局部最小值,從而獲得一個(gè)更好的模型哼凯。

4.模型對(duì)比


5.實(shí)例

三欲间、總結(jié)

機(jī)器學(xué)習(xí)算法:
1.模型,即h(x)
2.目標(biāo)函數(shù)断部,參數(shù)值

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末猎贴,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子蝴光,更是在濱河造成了極大的恐慌她渴,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,884評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件虱疏,死亡現(xiàn)場(chǎng)離奇詭異惹骂,居然都是意外死亡苏携,警方通過(guò)查閱死者的電腦和手機(jī)做瞪,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,347評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人装蓬,你說(shuō)我怎么就攤上這事著拭。” “怎么了牍帚?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,435評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵儡遮,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我暗赶,道長(zhǎng)鄙币,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,509評(píng)論 1 284
  • 正文 為了忘掉前任蹂随,我火速辦了婚禮十嘿,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘岳锁。我一直安慰自己绩衷,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,611評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布激率。 她就那樣靜靜地躺著咳燕,像睡著了一般。 火紅的嫁衣襯著肌膚如雪乒躺。 梳的紋絲不亂的頭發(fā)上招盲,一...
    開(kāi)封第一講書(shū)人閱讀 49,837評(píng)論 1 290
  • 那天,我揣著相機(jī)與錄音嘉冒,去河邊找鬼宪肖。 笑死,一個(gè)胖子當(dāng)著我的面吹牛健爬,可吹牛的內(nèi)容都是我干的控乾。 我是一名探鬼主播,決...
    沈念sama閱讀 38,987評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼娜遵,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼蜕衡!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起设拟,我...
    開(kāi)封第一講書(shū)人閱讀 37,730評(píng)論 0 267
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤慨仿,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后纳胧,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體镰吆,經(jīng)...
    沈念sama閱讀 44,194評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,525評(píng)論 2 327
  • 正文 我和宋清朗相戀三年跑慕,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了万皿。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片摧找。...
    茶點(diǎn)故事閱讀 38,664評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖牢硅,靈堂內(nèi)的尸體忽然破棺而出蹬耘,到底是詐尸還是另有隱情,我是刑警寧澤减余,帶...
    沈念sama閱讀 34,334評(píng)論 4 330
  • 正文 年R本政府宣布综苔,位于F島的核電站,受9級(jí)特大地震影響位岔,放射性物質(zhì)發(fā)生泄漏如筛。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,944評(píng)論 3 313
  • 文/蒙蒙 一抒抬、第九天 我趴在偏房一處隱蔽的房頂上張望妙黍。 院中可真熱鬧,春花似錦瞧剖、人聲如沸拭嫁。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,764評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)做粤。三九已至,卻和暖如春捉撮,著一層夾襖步出監(jiān)牢的瞬間怕品,已是汗流浹背。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,997評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工巾遭, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留肉康,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,389評(píng)論 2 360
  • 正文 我出身青樓灼舍,卻偏偏與公主長(zhǎng)得像吼和,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子骑素,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,554評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容