深度學習小結

因為最近剛好要對深度學習做個報告,這里做個小結。基本知識網上一搜都能找到,我只按著自己的理解從下面三個部分來說明神經網絡的一些通性。

發展溯源

深度學習發展到今天,經過一波三折,追溯它的起源其實是對它的原理,背景以及未來的發展做些了解,從而更好地去理解神經網絡演變到深度學習,這些算法之間的通性。

先來看一張圖:

1

圖中可見三個深度學習發展的低谷,同時也是興起的轉折點,先來看1943年的MCP人工神經元模型。

2

這個構架就已經涵蓋了現今很多神經網絡的特點,權重與輸入的乘積之和,通過激活函數輸出等等,1958年Rosenblatt用它發明了單層感知器,但1969年感知器被Minsky證明本質是線性模型,發展就此擱淺。

到1986年Hinton發明了BP神經網絡,采用Sigmoid函數進行非線性映射,有效解決非線性分類的問題,但是在1991年BP算法被指出有梯度消失的問題,陷入冰點。

2006年Hinton提出了深層網絡訓練中梯度消失問題的解決方案:無監督預訓練對權值進行初始化+有監督訓練微調。至此,深度學習就不斷地引起人們的重視,蓬勃發展至今。參考

每一層的輸入輸出

先來看幾個網絡。

BP神經網絡

3

可以看到,輸入是上一層輸出的值分別與權重相乘的和,而輸出是輸入通過激活函數變化后的值,BP中常用的激活函數是Sigmoid函數。

深度信念網絡(DBNs)

4

這個網絡是由多層的受限玻爾茲曼機(RBM)組成,多層的無監督學習和頂層的有監督學習。是為了解決BP神經網絡中出現的梯度消失的問題而出現的,從之前的發展歷程中也可以看到。

同樣的,它的輸入輸入輸出和BP神經網絡是一樣的,不過激活函數的選擇可以是不一樣的,不同的是它的訓練機制,我們下面再講。

卷積神經網絡(CNN)

卷積神經網絡適合于用作圖像識別分類上,輸入是一個(pp3)的矩陣,p的大小由圖像的像素大小決定,矩陣上的每一個值都是0-255之間的值,熟悉rgb三色通道的同志們應該了解這個,這也解釋了矩陣厚度為什么為3。

至于輸出,輸入矩陣通過濾波器來對圖像的特征進行提取,不同的濾波器得到的特征不同,得到的輸出也就不同,看下圖。

5

圖中兩個不同的濾波器,得到了兩個不同的矩陣(綠色),其實這種從高維圖像中提取低維信息的過程也就是卷積的目的。參考1參考2

如何訓練

關于訓練過程,有一個損失函數的概念,BP要使損失函數盡量小,那么需對損失函數求導,求極值,這里采用梯度下降的方式調整權重。但是會有局部極小值和梯度消失的問題。

而深度信念網絡,在受限玻爾茲曼機無標簽訓練的過程中,是希望每一層前向傳播的概率值和后向傳播的概率值盡量相等。可能難以理解,看張圖:

6

在重構階段,第一隱藏層的激活值成為反向傳遞中的輸入。這些輸入值與同樣的權重相乘,每兩個相連的節點之間各有一個權重,就像正向傳遞中輸入x的加權運算一樣。這些乘積的和再與每個可見層的偏差相加,所得結果就是重構值,亦即原始輸入的近似值。由于RBM權重初始值是隨機決定的,重構值與原始輸入之間的差別通常很大。可以將r值與輸入值之差視為重構誤差,此誤差值隨后經由反向傳播來修正RBM的權重,如此不斷反復,直至誤差達到最小。

經過無監督訓練之后,再通過有監督的訓練隊全局的權重進行調優。參考

卷積神經網絡的訓練也是一個是損失函數最小的過程,但是具體的話我還不理解。以后有機會再來寫。

最后

深度學習深究起來真是要掉不少頭發,網絡安全領域,我還是希望只把它當成數據分析的工具用,比方說深度學習態勢感知,惡意代碼檢測。
還是先學會用吧,轉化成有價值的東西,總比空想強。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,825評論 6 546
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,814評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,980評論 0 384
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 64,064評論 1 319
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,779評論 6 414
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,109評論 1 330
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,099評論 3 450
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,287評論 0 291
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,799評論 1 338
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,515評論 3 361
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,750評論 1 375
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,221評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,933評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,327評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,667評論 1 296
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,492評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,703評論 2 380

推薦閱讀更多精彩內容