李宏毅《机器学习》丨4. Deep Learning（深度学习）

Author：AXYZdong
李宏毅《机器学习》系列
参考视频地址：https://www.bilibili.com/video/BV1Ht411g7Ef
参考文档：DataWhale文档

一、深度学习发展历史

• 1958: Perceptron (linear model)
• 1969: Perceptron has limitation
• 1980s: Multi-layer perceptron
  Do not have significant difference from DNN today
• 1986: Backpropagation
  Usually more than 3 hidden layers is not helpful
• 1989: 1 hidden layer is “good enough”, why deep?
• 2006: RBM initialization (breakthrough)
• 2009: GPU
• 2011: Start to be popular in speech recognition
• 2012: win ILSVRC image competition

二、深度学习三个步骤

2.1 Step1：神经网络（Neural network）

以神经元（neuron）为基本单位，通过神经元之间的互相连接，建立神经网络。

神经元之间有很多不同的连接方式，这样就会产生不同的结构（structure）。

• 完全连接前馈神经网络：相邻层神经元之间都有连接，而且传递的方向是由后往前传。

▲ 完全连接前馈神经网络

深度（Deep）的理解

Deep = Many hidden layer

• 2012 AlexNet：8层
• 2014 VGG：19层
• 2014 GoogleNet：22层
• 2015 Residual Net：152层
• 101 Taipei：101层

▲ 深度层数的发展

矩阵计算（Matrix Operation）

随着层数变多，错误率降低，随之运算量增大，通常都是超过亿万级的计算。对于这样复杂的结构，我们一定不会一个一个的计算，对于亿万级的计算，使用loop循环效率很低。因此，利用矩阵计算（Matrix Operation）提高运算的速度以及效率。

▲ 矩阵计算（Matrix Operation）

FAQ（Frequently Asked Questions）

• 多少层？ 每层有多少神经元？
• 结构可以自动确定吗？
• 我们可以设计网络结构吗？

▲ FAQ

2.2 Step2：模型评估（Goodness of function）

对于模型的评估，我们一般采用损失函数来反应模型的好差，所以对于神经网络来说，我们采用交叉熵（cross entropy）函数来对损失进行计算，通过调整参数，让交叉熵误差越来越小。

▲ 损失示例

2.3 Step3：选择最优函数（Pick best function）

• 梯度下降（Gradient Descent）： 李宏毅《机器学习》丨3. Gradient Descent（梯度下降）

• 反向传播（Backpropagation）：BP（Back Propagation）神经网络——原理篇

三、深度学习思考

为什么要用深度学习，深层架构带来哪些好处？那是不是隐藏层越多越好？

▲ 隐藏层越多越好？

▲ 普遍性定理

四、总结

Datawhale组队学习，李宏毅《机器学习》Task4. Deep Learning（深度学习）。主要包括深度学习发展历史、深度学习三个步骤：神经网络 模型评估 选择最优函数、深度学习思考。

—— END ——

---

如果以上内容有任何错误或者不准确的地方，欢迎在下面 👇 留言。或者你有更好的想法，欢迎一起交流学习~~~

更多精彩内容请前往 AXYZdong的博客