机器学习介绍（下）

        紧接 机器学习介绍（上），当 x 和 y 中间有比较复杂的关系时，对 Linear 的 Model 来说，x 跟 y 的关系就是一条直线，随著 x 越来越高，y 就应该越来越大，你可以设定不同的 w 改变这条线的斜率，也可以设定不同的 b 改变这一条蓝色的直线跟 y 轴的交叉点，但是无论你怎么改 w 跟 b ，它永远都是一条直线，永远都是 x 越大， y 就越大，前一天观看的人数越多，隔天的观看人数就越多。

        但是现实世界并不是这个样子，也许成正比，还有可能存在成反比的情况，比如周五周六大家都不想看学习视频，可是周一又要开始上课，那周日观看人次就会明显升高。所以仅仅是改变 w 和 b 是不会把蓝色曲线构造成红色曲线的样子。所以我们需要一个更复杂、更有弹性的含未知数函数。

蓝色 Function 替代之前的线性函数：

1. 当输入的值,当 x 轴的值小于某一个阈值的时候,它是某一个定值； 
2. 大于另外一个阈值的时候又是另外一个定值；
3. 中间有一个斜坡

• 蓝色 Function “0” 是一条直线，是为了拟合红色 Function 的 bias（红线和 y 轴交界点）。
• 蓝色 Function “1” 是为了拟合红色 Function 的第一段上升。斜坡的起点设在红色 Function 的起始的地方，然后斜坡的终点设在第一个转角处。只需要调整 “1” 和红色的 Function 斜率一样即可。
• 蓝色 Function “2” 是为了拟合红色 Function 的下降段。“2” 的斜坡就在红色 Function 的第一个转折点到第二个转折点之间。
• 蓝色 Function “3” 是为了拟合第二段上升。起点在红色 Function 的第二个转折点，斜率与其保持一致。

        通过上面设置不同的蓝色 Function，0+1+2+3 就可以拟合出红色 Function。

        如果我们的目标函数不是一个折线段，而是一个曲线呢？没关系！可以在曲线上选择一定的采样点，只要采样点足够多，就可以近似曲线。所以只要蓝色 Function 足够多，就可以拟合出任意一个函数！

 但是这个蓝色的折现好像不太容易去写出表达式，但是我们找到一个名为 Sigmoid Function 用来逼近蓝色折线（其实蓝色折线也有名字叫做 Hard Sigmoid）。

sigmoid：    

• 改变 w 就会改变斜率，改变斜坡的坡度
• 改变 b 就可以把这一个 Sigmoid Function 左右移动
• 改变 c 就可以改变它的高度

那么先前的红色 Function 就可以用 sigmoid 来拟合： 

之前我们看到过使用多个 Feature 来代替一个 x 的函数预测更佳，所以我们可以改写 Function ：

我们画一下图看一下 y 整个流程是怎样的，我们以 i=3，j=3 为例。

        蓝色虚线框就是  部分，我们以 i=1为例：  。特别说明一下  下标 j 代表的是 feature，不要搞反（神经网络里 j 是 feature，i 是神经元节点） 

图左就是全部情况，图右是写成了矩阵与向量的形式。

        红色虚线框是 sigmoid 部分： 。

        黄色虚线框是  部分。

        绿色虚线框就是最后bias  。

java程序员自我介绍

txt 4星 超过75%的资源 5KB

下载

        把这些矩阵和向量通通拉直，拼成一个很长的向量，这个向量包含所有未知参数，我们用  表示。

接下来定义我们的损失函数。之前损失函数是 ，现在我们统一用  表示。

Optimization 优化与机器学习介绍（上）最主要的区别就是多了几个参数，多了几个微分。

        当训练数据比较大时，我们不太容易去计算所有资料的梯度。所以我们把训练数据分成一个个的 batch 。每一组有 B 笔资料，然后去计算每一个 batch  的 loss 去做梯度下降，更新参数。

        每训练一个 batch 称作一次 update 更新；所有的资料都训练一次叫做一次 epoch 。

模型变形

深度学习方法及应用完整版

zip 3星 超过45%的资源 19.99MB

下载

1. 改变激活函数，将 sigmoid 改为 ReLu（Rectified Linear Unit）：

        那本来只需要 i 个 Sigmoid，但是要 2 个 ReLU 才能够合成一个 Hard Sigmoid 。那这个 Sigmoid 或是 ReLU，它们在机器学习里面叫做 Activation Function 激活函数。

2. 加大模型，多做几次级联。把 x 做这一连串的运算产生 a ，接下来把 a 再做这一连串的运算产生 a’ 。那我们可以反覆地多做几次。要做几次，这又是另外一个 Hyper Parameter。

到目前为止，我们讲了很多各式各样的模型，那我们现在还缺了一个东西，缺一个好名字。

（李宏毅：你知道这个外表 啊是很重要的,一个死臭酸宅穿上西装以后就潮了起来,或者是隻鞋半缕的,说他是汉左将军宜城亭侯中山靖王之后,也就潮了起来 ,所以我们的模型也需要一个好名字）

这些 Sigmoid 或 ReLU ，它们叫做 Neuron 神经元。我们这边有很多的 Neuron，很多的 Neuron 就叫做 Neural Network。

（李宏毅：接下来你 就可以到处骗麻瓜说,看到没有 这个模型就是在模拟人们脑 知道吗,这个就是在模拟人脑,这个就是人工智能,然后麻瓜就会吓得把钱掏出来）

神经网络分为三个部分：输入层也就是 feature ；隐藏层，中间的神经元网络；输出层；（一般说神经网络的层数是隐藏层个数 + 输出层个数）

Deep Learning 就是非常深的网络层数。现在的深度神经网络有很多，想要了解一些奠基性的模型可以看之前写过的 LeNet 、AlexNet 、VGGNet 、GoogLeNet