机器学习-3:MachineLN之dl

开篇废话:

嫌废话太多可以直接跳到正文哦。

对外人提起人工智能感觉很牛逼很了不起、高大上或者一些其他的吹捧、羡慕的词都出来,那么今天就通过一篇文章带到dl的世界,如果你是小白这篇文章会感觉挺好玩,如果你是大牛,你会感觉这个玩意谁不会?!不管怎么样请保持平常心,因为深度学习很普通,并且现在很多人感觉已经遇到了瓶颈,大牛都在寻找其他更好的方法,但不得不承认dl确实比传统机器学习的方法好,先看一下dl的局限性,给你挖一些坑自己去填可好?(1)目前深度学习需要大量数据;(2)深度学习目前还是太表浅,没有足够的能力进行迁移;(3)迄今深度学习没有自然方式来处理层级架构;(3)迄今为止的深度学习无法进行开放推理;(4)迄今为止的深度学习不够透明;(5)迄今为止,深度学习并没有很好地与先验知识相结合;(6)到目前为止,深度学习还不能从根本上区分因果关系和相关关系;(7)深度学习假设世界是大体稳定的,采用的方式可能是概率的;(8)到目前为止,深度学习只是一种良好的近似,其答案并不完全可信;(9)到目前为止,深度学习还难以在工程中使用;以上是Gary Marcus提出对深度学习的系统性批判,文章地址:https://arxiv.org/ftp/arxiv/papers/1801/1801.00631.pdf;那么我的问题又来了,以上9个方面为什么?搞明白了局限性再去思考值不值得学习,不要随大流,李开复老师有句话说的好:千万不要让别人驾驶你的生命之车,你要稳稳地坐在司机的位置上,决定自己何时要停、倒车、转弯、加速、刹车。可以参考别人的意见,但不要随波逐流。估计有人又开始骂了,你tm的废话真多,赶紧上干货,呃,不好意思,能再说几句吗?好吧,总之不建议大家都来追潮流,当大家都去做一件事情的时候,那么机会往往在相反的方向上;估计很多人都记得那条让人深思的技术成熟的曲线,先是疯狂的上去,然后又快速的下来,然后缓慢的爬行;又有人说你太悲观了,过去已去,把握现在,未来谁知?实时确实是这样,大多数人也都这样做的,包括我。

说了这么多废话,该回到dl了。简单说一下AI;AI=感知+理解+决策,目前的dl就是处理AI中的理解问题,无论是人脸检测、识别、行人检测、车辆检测、车道线、语音识别等等;感知就是获取图像、语音等的设备,决策像无人驾驶中来不及刹车时,左右是沟,中间是人,你怎么决策?损人利己?还是损己利人?哲学问题,扯得远了,但是真要商用,确实要面临的问题很多。

那么我的问题是?

(1)你学dl的目的是什么?

(2)你喜欢你现在的工作吗?dl对你现在的工作有什么帮助?

(3)如果那天dl热潮过了,你还有还什么技能可能养家糊口?

接下来不解答上面问题了,而是看一个手写体识别的代码,带你进入word世界:

咱们顺着代码的流程走一遍,估计会有很多坑,有坑时好事,正如学习再多tricks,不如猜一遍坑,(你废话真多,好了好了我不说了)后面的一些文章会逐渐来填起来;are you ready?

这是一段cnn的代码来决解手写体数字识别,(初学者会问了cnn是什么?有坑了?自己填去啊,哈哈)

(1)开始导入一下tensorflow,和去获取一下mnist的数据,用于后面的训练和测试
image

(2)定义卷积:(问题:卷积是什么? 为什么用卷积?作用是什么?)

image

(3)定义池化:(问题和上面一样,别嫌我话多,面试时候会问到)

image.png

(4)定义BN:(问题和上面一样)

image

(5)初始化参数:卷积核参数;全连接参数;

image

(6)该盖楼了。

image.png

(7)训练模型,其中含有了(机器学习三要素中的模型、策略、算法;还有机器学习之模型评估中的loss和准确率),有了上面的基础,下面代码就好理解了。

image
image

(8)一些参数和占位符。

image

上面的代码整合起来就可以跑了;

看一下结果: loss会慢慢降,而准确率会突变,这又是为什么?

image

说明:像一些衰减和正则化的方法里边没加,后面会慢慢补充,下面给大家一个简单定义模型的框架:

image
image

(9)总结:入门级的感觉这个就够了,把上面的代码玩透了,调调参,挖了坑一定要填起来,要不前功尽弃;到这里是一个节点说明你想明白了,你想学习dl,那就关注我们吧,一起坚持下去,MachineLN与你一年之约,只要想学什么时候开始都不晚。

推荐阅读:

  1. 机器学习-1:MachineLN之三要素

  2. 机器学习-2:MachineLN之模型评估

  3. 机器学习-3:MachineLN之dl

  4. 机器学习-4:DeepLN之CNN解析

  5. 机器学习-5:DeepLN之CNN权重更新(笔记)

  6. 机器学习-6:DeepLN之CNN源码

  7. 机器学习-7:MachineLN之激活函数

  8. 机器学习-8:DeepLN之BN

  9. 机器学习-9:MachineLN之数据归一化

  10. 机器学习-10:MachineLN之样本不均衡

  11. 机器学习-11:MachineLN之过拟合

  12. 机器学习-12:MachineLN之优化算法

  13. 机器学习-13:MachineLN之kNN

  14. 机器学习-14:MachineLN之kNN源码

  15. 机器学习-15:MachineLN之感知机

  16. 机器学习-16:MachineLN之感知机源码

  17. 机器学习-17:MachineLN之逻辑回归

  18. 机器学习-18:MachineLN之逻辑回归源码

版权声明:本文为博主原创文章,未经博主允许不得转载。有问题可以加微信:lp9628(注明CSDN)。

推荐阅读更多精彩内容