文档章节

深度学习入门

阿锋zxf
 阿锋zxf
发布于 2017/05/25 11:32
字数 2776
阅读 39
收藏 1

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》系列文章旨在讲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。

深度学习是啥

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。

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?简单来说深层网络的表达力更强。

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。

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:

  • 输入权值   一个感知器可以接收多个输入 ( , ,..., ∣ ∈ R ) , 每个输入上有一个 权值 w i ∈ R , 此外还有一个 偏置项 b ∈ R , 就是上图中的 w 0 。

  • 激活函数   感知器的激活函数可以有很多选择,比如我们可以选择下面这个阶跃函数f来作为激活函数:

  • 输出  感知器的输出由下面这个公式来计算

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(带有两个参数个参数 x1 和 x2 ),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 x1=0;x2=0 ,那么根据公式( 1),计算输出:

也就是当 x1 x2 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 b 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 x 1 = 0 ; x 2 = 1 ,带入公式 (1) :

也就是当 x 1 x 2 都为 0 的时候, y 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。

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 w i 和 b ,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 b看作是值永远为1的输入 xb 所对应的权重。 t 是训练样本的实际值,一般称之为label。而 y 是感知器的输出值,它是根据公式(1)计算得出。 α 是一个称为学习速率的常数,其作用是控制每一步调整权的幅度。

编程实战:实现感知器

对于程序员来说,没有什么比亲自动手实现学得更快了,而且,很多时候一行代码抵得上千言万语。接下来我们就将实现一个感知器。

下面是一些说明:

  • 使用Python语言。python在机器学习领域用的很广泛,而且,写python程序真的很轻松。

  • 面向对象编程。面向对象是特别好的管理复杂度的工具,应对复杂问题时,用面向对象设计方法很容易将复杂问题拆解为多个简单问题,从而解救我们的大脑。

  • 没有使用numpy。numpy实现了很多基础算法,对于实现机器学习算法来说是个必备的工具。但为了降低读者理解的难度,下面的代码只用到了基本的python(省去您去学习numpy的时间)。

下面是感知器类的实现,非常简单。去掉注释只有27行,而且还包括为了美观(每行不超过60个字符)而增加的很多换行。

class Perceptron(object):
    # 初始化感知器,设置输入参数的个数,以及激活函数。
    # 激活函数的类型为double -> double
    def __init__(self, input_num, activator):
        self.activator = activator        # 权重向量初始化为0
        self.weights = map(lambda _: 0.0, range(input_num))
        # 偏置项初始化为0
        self.bias = 0.0

    # 打印学习到的权重、偏置项
    def __str__(self):
        return 'weights\t:%s\nbias\t:%f' % (self.weights, self.bias)

    # 输入向量,输出感知器的计算结果
    def predict(self, input_vec):
        # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
        # 最后利用reduce求和
        return self.activator(
            reduce(lambda a, b: a + b,
                   map(lambda (x, w): x * w,  
                       zip(input_vec, self.weights))
                 , 0.0) + self.bias)

    # 输入训练数据:一组向量、与每个向量对应的label;以及训练轮数、学习率
    def train(self, input_vecs, labels, iteration, rate):
        for i in range(iteration):
            self._one_iteration(input_vecs, labels, rate)

    # 一次迭代,把所有的训练数据过一遍
    def _one_iteration(self, input_vecs, labels, rate):
        # 把输入和输出打包在一起,成为样本的列表[(input_vec, label), ...]
        # 而每个训练样本是(input_vec, label)
        samples = zip(input_vecs, labels)
        # 对每个样本,按照感知器规则更新权重
        for (input_vec, label) in samples:
            # 计算感知器在当前权重下的输出
            output = self.predict(input_vec)
            # 更新权重
            self._update_weights(input_vec, output, label, rate)

    # 按照感知器规则更新权重
    def _update_weights(self, input_vec, output, label, rate):
        # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
        # 变成[(x1,w1),(x2,w2),(x3,w3),...]
        # 然后利用感知器规则更新权重
        delta = label - output
        self.weights = map(
            lambda (x, w): w + rate * delta * x,
            zip(input_vec, self.weights))
        # 更新bias
        self.bias += rate * delta

接下来,我们利用这个感知器类去实现 and 函数。

#定义激活函数fdef f(x):
    return 1 if x > 0 else 0# 基于and真值表构建训练数据
def get_training_dataset():
    # 构建训练数据
    # 输入向量列表
    input_vecs = [[1,1], [0,0], [1,0], [0,1]]
    # 期望的输出列表,注意要与输入一一对应
    # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
    labels = [1, 0, 0, 0]
    return input_vecs, labels    # 使用and真值表训练感知器def train_and_perceptron():
    # 创建感知器,输入参数个数为2(因为and是二元函数),激活函数为f
    p = Perceptron(2, f)
    # 训练,迭代10轮, 学习速率为0.1
    input_vecs, labels = get_training_dataset()
    p.train(input_vecs, labels, 10, 0.1)
    #返回训练好的感知器
    return pif __name__ == '__main__': 
    # 训练and感知器
    and_perception = train_and_perceptron()
    # 打印训练获得的权重
    print and_perception    # 测试
    print '1 and 1 = %d' % and_perception.predict([1, 1])
    print '0 and 0 = %d' % and_perception.predict([0, 0])
    print '1 and 0 = %d' % and_perception.predict([1, 0])
    print '0 and 1 = %d' % and_perception.predict([0, 1])

将上述程序保存为perceptron.py文件,通过命令行执行这个程序,其运行结果为:

神奇吧!感知器竟然完全实现了 and 函数。读者可以尝试一下利用感知器实现其它函数。

小结

终于看(写)到小结了...,大家都累了哈哈哈。

对于零基础的你来说,走到这里应该已经很烧脑了吧。没关系,休息一下。值得高兴的是,你终于已经走出了深度学习入门的第一步,这是巨大的进步;坏消息是,这仅仅是最简单的部分,后面还有无数艰难险阻等着你。

不过,你学的困难往往意味着别人学的也困难,掌握一门高门槛的技艺,进可糊口退可装逼,是很值得的。

预告一下,在我的下篇文章中,我们将讨论另外一种感知器: 线性单元 ,并由此引出一种可能是最最重要的优化算法: 梯度下降 算法。敬请期待!

© 著作权归作者所有

阿锋zxf
粉丝 9
博文 221
码字总数 221601
作品 0
深圳
程序员
私信 提问
关于深度学习的学习资料免费送给你

一、免费书籍随意读: 1.《深度学习之美:AI时代的数据处理与最佳实践》本书作者张玉宏博士在阿里云云栖社区为读者免费呈现部分书中文字: 一入侯门“深”似海,深度学习深几许(深度学习入...

【方向】
2018/06/27
0
0
2019年6月值得一读的10本人工智能技术书籍!

导语:当你困惑时,书给你启迪当你迷惘时,书给你指路。当你落寞时,书给你勇气。当你悲伤时,书给你欢愉。当你狂躁时,书给你冷静。当你成功时,书给你导航。我们整理出2019年6月值得一读的...

本冉来啦
06/26
0
0
阿里云大学云学院 “人工智能” 专业重磅预售

阿里云认证专家带你探索人工智能,掌握人工智能核心技术 学习链接:点击这里 (阿里云认证资深专家,手把手带你6个月入门人工智能) 阿里云云学院人工智能专业,由阿里云认证专家亲自辅导,并...

mcy0425
2018/06/27
45
0
《深度学习之美》推荐序:通俗也是一种美德 by黄文坚

这是一个大数据时代。 这也是一个人工智能时代。 如果说大数据技术是还有待人们去研究、去挖掘、去洞察的问题,那么人工智能无疑是这个问题的解决方案,至少是方案之一。 人的智能,无疑是学...

玉來愈宏
2018/06/26
0
0
【语音识别】从入门到精通——最全干货大合集!

入门学习 语音识别研究的四大前沿方 https://blog.csdn.net/haima1998/article/details/79094341 深度学习入门论文(语音识别领域) https://blog.csdn.net/youyuyixiu/article/details/537...

Mr_zebra
2018/11/07
39
0

没有更多内容

加载失败,请刷新页面

加载更多

Spring使用ThreadPoolTaskExecutor自定义线程池及实现异步调用

多线程一直是工作或面试过程中的高频知识点,今天给大家分享一下使用 ThreadPoolTaskExecutor 来自定义线程池和实现异步调用多线程。 一、ThreadPoolTaskExecutor 本文采用 Executors 的工厂...

CREATE_17
今天
5
0
CSS盒子模型

CSS盒子模型 组成: content --> padding --> border --> margin 像现实生活中的快递: 物品 --> 填充物 --> 包装盒 --> 盒子与盒子之间的间距 content :width、height组成的 内容区域 padd......

studywin
今天
7
0
修复Win10下开始菜单、设置等系统软件无法打开的问题

因为各种各样的原因导致系统文件丢失、损坏、被修改,而造成win10的开始菜单、设置等系统软件无法打开的情况,可以尝试如下方法解决 此方法只在部分情况下有效,但值得一试 用Windows键+R打开...

locbytes
昨天
8
0
jquery 添加和删除节点

本文转载于:专业的前端网站➺jquery 添加和删除节点 // 增加一个三和一节点function addPanel() { // var newPanel = $('.my-panel').clone(true) var newPanel = $(".triple-panel-con......

前端老手
昨天
8
0
一、Django基础

一、web框架分类和wsgiref模块使用介绍 web框架的本质 socket服务端 与 浏览器的通信 socket服务端功能划分: 负责与浏览器收发消息(socket通信) --> wsgiref/uWsgi/gunicorn... 根据用户访问...

ZeroBit
昨天
10
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部