《机器学习》周志华-CH5(神经网络)

2024-09-01 16:52

本文主要是介绍《机器学习》周志华-CH5(神经网络),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

5.1神经元模型

  机器学习中谈论神经网络指“神经网络学习”。

  神经网络基本成分是神经元(neuron)和模型

  1943年,McCulloch and Pitts:M-P神经元模型

在这里插入图片描述

在这里插入图片描述

5.2感知机与多层网络

  感知机(Perceptron)由两层神经元组成,又称“阈值逻辑单元(threshold logic unit)”

在这里插入图片描述

  感知机可实现与、或、非运算, y = f ( ∑ w i x i − θ ) y=f(\sum w_ix_i-\theta) y=f(wixiθ)

  其中,f为阶跃函数, s g n ( x ) { 1 x ≥ 0 0 x < 0 sgn(x) \begin{cases} 1 & x\geq0 \\ 0 & x < 0 \\ \end{cases} sgn(x){10x0x<0
在这里插入图片描述
在这里插入图片描述

  更一般的,给定数据集,权重 w i ( i = 1 , 2... n ) w_i(i=1,2...n) wi(i=1,2...n),阈值 θ \theta θ可通过学习得到; θ \theta θ可看做 w n + 1 w_{n+1} wn+1,输入永远 − 1 -1 1.
在这里插入图片描述

  单层感知机只能“与”、“或”、“非”,非线性“异或”解决不了

  两层感知机可解决“异或”,引出多层前馈神经网络

5.3误差逆传播算法

  逆误差传播(error BackPropagation),BP是其中杰出代表

  通常说“BP网络”一般指用BP算法训练多层前馈神经网络
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

  BP目标是最小化训练集 D D D上的累积误差
E = 1 m ∑ k = 1 m E k \begin{equation} E=\frac{1}{m}\sum_{k=1}^mE_{k} \tag{5.16} \end{equation} E=m1k=1mEk(5.16)

  如何缓解BP网络过拟合???

  (1)“早停”:数据分为训练集和验证集,训练集用于计算梯度、更新权、阈值。验证集用来估计误差,若训练集误差降低但验证集升高,则停止训练。

  (2)“正则化”:在误差目标函数上增加一个可用于描述网络复杂度部分。如权与阈值的平方。
E = λ 1 m ∑ k = 1 m E k + ( 1 − λ ) ∑ i w i 2 \begin{equation} E=\lambda\frac{1}{m}\sum_{k=1}^mE_{k}+(1-\lambda)\sum_{i}w_{i}^2 \tag{5.17} \end{equation} E=λm1k=1mEk+(1λ)iwi2(5.17)

  其中, λ ∈ ( 0 , 1 ) \lambda\in(0,1) λ(01),用于对经验误差与网络复杂度这两项进行折中,常通过交叉验证法来估计。

5.4全局最小与局部极小

  我们常会谈到两种“最优”:“局部最小”(local minimum)和“全局最小”(global minimum)
在这里插入图片描述

在这里插入图片描述

  (1)以多组不同参数值初始化多个神经网络,按标准方法训练后,取其中误差最小的解作为最终参数;

  相当于从多个不同的初始点开始搜索,陷入不同的局部极小,从而选择有可能获得更接近全局最小的结果。

  (2)使用“模拟退火”技术(simulated annealing)

  模拟退火每一步都以一定概率接受比当前解更差的结果。

  每次迭代中,接受“次优解”的概率要随时间推移而降低,保证算法稳定。

  (3)使用随机梯度下降

  在计算梯度时加入了随机因素

  即使陷入局部极小点,计算的梯度仍可能不为零。

  遗传算法(genetic algorithm)也常用来训练神经网络以更好地接近全局最小

  上述方法理论上不够,启发式

5.5其他常见神经网络

5.5.1RBF网络

  RBF(Radial Basis Function,径向基函数)网络是一种单隐层前反馈神经网络,使用径向基函数作为隐层神经元激活函数。输出层则是对隐层神经元输出的线性组合
在这里插入图片描述
  具有足够多隐层神经元的RBF网络能以任意精度逼近任意连续函数。

  两步:

  • 确定神经元中心 C i C_{i} Ci,随机采样,聚集
  • 利用BP确定 w i 和 β i w_{i}和\beta_{i} wiβi
5.5.2ART网络

  什么是竞争性学习?

  竞争性学习(competetitve learining)是神经网络一种常用的无监督学习策略。输出神经元相互竞争,每一时刻仅有一个竞争获得胜利的神经元激活,其他被抑制

  这种成为 胜者通吃(winner-take-all)原则

  ART(Adaptive Resonance Theory,自适应谐振网络理论)是竞争性学习代表,网络由比较层(接收输入样本)、识别层(每个神经元对应一个模式类,神经元数目可在训练过程中动态增长,增加新的模式表)、识别阈值和重置模块构成。

5.5.2.1竞争最简单的方式
  1. 计算输入向量与每个识别神经元所对应的模式类的代表向量之间的距离,距离最小者胜;
  2. 获胜神经元向其他识别层神经元发送信号,抑制激活;
  3. 输入与获胜神经元的相似度大于阈值,归类该属性;
  4. 更新连接权重,后期相似样本计算更大相似度;
  5. 若相似度不大于阈值,增设一个新的神经元,当前输入为代表向量。
5.5.2.2识别阈值
  • 阈值高,输入样本会被细分多种类别
  • 阈值低,产生比较少,比较粗略的类

  ART比较好地缓解了竞争性学习中的“可塑性-稳定性窘境”(stability-plasticity dilemma)

  • 可塑性(指有学习新知识的能力)
  • 稳定性(指学习新知识时要保持对旧知识记忆)

  优点:可进行增量学习(incremental learning)或在线学习(online learning)

5.5.3SOM网络(Self-Origin)

  SOM网络是一种竞争学习型的无监督神经网络,能将高维映射到低维,同时保持高维拓扑结构。高维相似点映射为输出层邻近神经元。
在这里插入图片描述

   步骤:接收样本,每个输出层神经元会计算该样本与自身携带的权向量的距离,距离最近获胜,称最佳匹配单元。

   周围神经元权向量调整,使得权向量与当前输入样本距离缩小,不断迭代,直至收敛。

5.5.4级联相关网络

   结构自适应网络将网络结构也当作学习目标,希望找到合适网络结构。级联相关网络是结构自适应网络的重要代表

在这里插入图片描述

   级联:建立层次连接的结构,开始时只有输入输出层;随着训练新的隐层加入。

   与一般前馈神经网络相比,级联相关网络无需设置网络层次,隐层神经元数目,且训练速度快,但数据较少时容易过拟合。

5.5.5Elman网络

   “递归神经网络”(recurrent neural networks)允许出现环形结构,从而让一些神经元的输出反馈回来作为输入信号。

  使得 t t t时刻输出状态不仅与 t t t时刻输入有关,还与 t − 1 t-1 t1时刻网络状态有关,从而能处理与时间有关的动态变化。

在这里插入图片描述

  与多层前馈网络相似,但隐层神经元输出被反馈回来,与下一时刻输入一起作为下一次隐层输入。 s i g m o i d sigmoid sigmoid激活函数, B P BP BP算法。

5.5.6Boltzmann机

  神经网络有一类模型是为网络定义一个”能量“,能量最小即为理想。训练就是为最小化这个能力函数。

  Boltzmann机就是一种“基于能量的模型”(energy-based-model)
在这里插入图片描述
神经元分两层 { 显层: 用于数据的输入和输出 隐层: 数据的内在表示 神经元分两层 \begin{cases} 显层: & 用于数据的输入和输出 \\ 隐层: & 数据的内在表示 \\ \end{cases} 神经元分两层{显层:隐层:用于数据的输入和输出数据的内在表示

  Boltzmann机中神经元都是布尔型,取0(抑制),1(激活)状态。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5.6深度学习

  1. 典型的深度学习模型就是很深层的神经网络,增加隐层数目。

  2. 然而,多隐层神经网络难以直接用经典算法(如BP)进行训练,因为误差在多隐层内逆传播时,往往会“发散”(diverge)而不能收敛。

  3. 无监督逐层训练(unsupervised layer-wise training)是多隐层网络训练的有效手段.
    训练时将上一层隐结点的输出作为输入,而本层隐结点的输出作为下一层隐结点的输入,成为“预训练”(pre-training);预训练完成后,对整个网络“微调”。

  4. 深度置信网络(deef belief network,简称DBN),每层都是一个受限Boltzmann机,整个网络可视为若干个RBM堆叠而得,使用无监督逐层训练时,首先训练第一层,这是关于训练样本的RBM模型,可按标准的RBM训练;然后,将第一层预训练好的隐结点视为第二层的输入结点,对第二层进行预训练; ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ \cdot\cdot\cdot\cdot\cdot\cdot 各层预训练完成后,在利用BP算法对整个网络进行训练。

  5. 预训练+微调可视为将大量参数分组,局部较优联合为全局寻优,有利于节省训练开销。

  6. “权共享”可节省训练开销,让一组神经元使用相同的连接权。此策略在CNN中发挥了重要作用。

  7. 深度学习又为“特征学习”或“表示学习”
    通过多层处理,逐渐将初始“低层”特征转化“高层”表示,用“简单模型”完成复杂的分类学习任务。

这篇关于《机器学习》周志华-CH5(神经网络)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1127508

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个