【深度学习详解】Task2 分段线性模型-引入深度学习 Datawhale X 李宏毅苹果书 AI夏令营

本文主要是介绍【深度学习详解】Task2 分段线性模型-引入深度学习 Datawhale X 李宏毅苹果书 AI夏令营,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!

前言

《苹果书》第一章的内容包括
机器学习基础 -> 线性模型 -> 分段线性模型 -> 引入深度学习

这一篇章我们继续后续内容 ~
其中涉及到“激活函数”的作用理解:
除了 开源项目 - 跟李宏毅学深度学习(入门) 之外,
还有 @3Blue1Brown 的神经网络 和 @StatQuest 的深度学习 视频内容辅助。

🍎 🍎

系列文章导航

【深度学习详解】Task1 机器学习基础-线性模型 Datawhale X 李宏毅苹果书 AI夏令营
【深度学习详解】Task2 分段线性模型-引入深度学习 Datawhale X 李宏毅苹果书 AI夏令营
【深度学习详解】Task3 实践方法论-分类任务实践 Datawhale X 李宏毅苹果书 AI夏令营

本篇目录导航

  • 前言
      • 系列文章导航
  • 分段线性模型 - 机器学习的三个步骤
    • Step 1:写出目标函数
      • 激活函数
      • 模型计算过程
      • 引入“深度学习”概念
    • Step 2:定义 loss 损失函数
    • Step 3:通过优化器调整超参数 更新参数
      • 参数
      • 超参数
      • 常见的优化器
  • Read more

分段线性模型 - 机器学习的三个步骤

Step 1:写出目标函数

激活函数

鼠标右键 -> 在新标签页中打开图像
在这里插入图片描述

模型计算过程

鼠标右键 -> 在新标签页中打开图像
在这里插入图片描述

选用 Sigmoid 激活函数 逼近 Hard Sigmoid

在这里插入图片描述

只是考虑一个训练数据

  • i "分段线性模型"的段数 <=> “Sigmoid 函数”的个数

xxx

同时考虑多个训练数据

  • (得到更有灵活性 flexibility 的函数)
    i "分段线性模型"的线段数目 <=> “Sigmoid 函数”的个数
    j "分段线性模型"的训练数据个数

xxx

  • r 代表:“分段线性模型”小括号里面的式子

xxx

  • α 代表:r 的 Sigmoid 函数

xxx

  • y 代表:分段线性模型

在这里插入图片描述

选用 ReLU 激活函数 逼近 Hard Sigmoid

只是考虑一个训练数据

  • 两个 变形的ReLU 合成 一个 Hard Sigmoid

tips:
这里的ReLU函数都不是“标准的”ReLU函数,
因为它们都是变形过的,即
① 通过对自变量x加减b:
实现函数左右平移,
② 通过对ReLU函数乘上c:
改变斜线陡峭程度
还有可能将斜线正负翻转 。
在这里插入图片描述
我们可代入具体值具体例子理解:
上面的变形Relu斜线延申y值分别是
11、12、13……
下面的变形Relu斜线对应y值分别是
-1、-2、-3……
那么用这两个Relu斜线部分合成就是
Hard Sigmoid 函数第三段(平的)
即:11-1 =12-2 =13-3 =……=10

可以观看这个视频可视化理解
@StatQuest 深度学习:【官方双语】一个例子彻底理解ReLU激活函数
该视频的例子:两个变形的ReLU
-> 分段线性模型
《苹果书》:两个变形的ReLU
-> Hard Sigmoid
-> 分段线性模型

同时考虑多个训练数据

  • (得到更有灵活性 flexibility 的函数)
    2i "分段线性模型"的线段数目 <=> “ReLU 函数”的个数*2
    j "分段线性模型"的训练数据个数

xxx

嵌套多层 ReLU 激活函数 逼近 Hard Sigmoid

只是考虑一个训练数据

同时考虑多个训练数据

  • (得到更有灵活性 flexibility 的函数)
    2i "分段线性模型"的线段数目 <=> “ReLU 函数”的个数*2
    j "分段线性模型"的训练数据个数

在这里插入图片描述

引入“深度学习”概念

引入“深度学习”概念

(旧说法)

  • Neuron 神经元
    Neural Network 神经网络

(新说法)

  • hidden layer 隐藏层
    Deep Learning 深度学习

在这里插入图片描述

Step 2:定义 loss 损失函数

鼠标右键 -> 在新标签页中打开图像
在这里插入图片描述

Step 3:通过优化器调整超参数 更新参数

参数

鼠标右键 -> 在新标签页中打开图像
在这里插入图片描述

参数

所有未知参数“拼”成一个向量 θ

  • σ 激活函数
    w weight 权重参数
    b bias 偏置参数(修正)
    c 常数参数
    b 常数参数

在这里插入图片描述

超参数

鼠标右键 -> 在新标签页中打开图像
在这里插入图片描述

常见的优化器

鼠标右键 -> 在新标签页中打开图像
在这里插入图片描述

梯度下降的步骤

定义代价函数

  • 代价函数——误差表面(error surface):
    尝试不同的权重参数,计算它的损失 L

在这里插入图片描述

选取初始点

  • 首先在代价函数上随机选取一个初始点。

更新 参数 θ
(以权重参数 w 为例)

  • 步伐大小
    接下来计算在这个点上,权重参数 w 对损失 L 的微分
    计算梯度,即代价函数的导数、微分、陡峭程度)。
    调整的步伐大小是 学习率 η 乘上微分的结果。

  • 步伐方向
    计算在这一个点上的代价函数的切线斜率
    如果斜率大于0,则将w调小;反之,则将w调大。

  • 更新 参数 θ

上角标:迭代更新的次数
下角标:未知参数的序数在这里插入图片描述

  • 一个回合(epoch)内
    把 N 笔数据(即需要迭代更新的总次数)
    随机分成一个一个的批次(batch)

相当于分担了需要迭代更新的总次数:
1个epoch的更新次数 = N / B
N 需要迭代更新的总次数
B 批次的大小在这里插入图片描述

反复迭代计算

  • 输入更新后的参数 θ ,
    再次计算微分,再次更新参数,
    反复迭代更新下去找到代价函数最低点为止。
    (或者是直到不想做为止)

Read more

  • 李宏毅深度学习教程 LeeDL-Tutorial(苹果书)
    https://github.com/datawhalechina/leedl-tutorial
    李宏毅《机器学习/深度学习》2021课程(视频教程 24 h 46 min)
    https://www.bilibili.com/video/BV1JA411c7VT/

  • @3Blue1Brown Topics: Neural Networks
    https://www.3blue1brown.com/topics/neural-networks

  • @StatQuest 深度学习
    【官方双语】一个例子彻底理解ReLU激活函数
    https://www.bilibili.com/video/BV15x4y1U7T3/

这篇关于【深度学习详解】Task2 分段线性模型-引入深度学习 Datawhale X 李宏毅苹果书 AI夏令营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/1139873

相关文章

springboot security快速使用示例详解

《springbootsecurity快速使用示例详解》:本文主要介绍springbootsecurity快速使用示例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝... 目录创www.chinasem.cn建spring boot项目生成脚手架配置依赖接口示例代码项目结构启用s

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

java中反射(Reflection)机制举例详解

《java中反射(Reflection)机制举例详解》Java中的反射机制是指Java程序在运行期间可以获取到一个对象的全部信息,:本文主要介绍java中反射(Reflection)机制的相关资料... 目录一、什么是反射?二、反射的用途三、获取Class对象四、Class类型的对象使用场景1五、Class

golang 日志log与logrus示例详解

《golang日志log与logrus示例详解》log是Go语言标准库中一个简单的日志库,本文给大家介绍golang日志log与logrus示例详解,感兴趣的朋友一起看看吧... 目录一、Go 标准库 log 详解1. 功能特点2. 常用函数3. 示例代码4. 优势和局限二、第三方库 logrus 详解1.

一文详解如何从零构建Spring Boot Starter并实现整合

《一文详解如何从零构建SpringBootStarter并实现整合》SpringBoot是一个开源的Java基础框架,用于创建独立、生产级的基于Spring框架的应用程序,:本文主要介绍如何从... 目录一、Spring Boot Starter的核心价值二、Starter项目创建全流程2.1 项目初始化(

Spring Boot3虚拟线程的使用步骤详解

《SpringBoot3虚拟线程的使用步骤详解》虚拟线程是Java19中引入的一个新特性,旨在通过简化线程管理来提升应用程序的并发性能,:本文主要介绍SpringBoot3虚拟线程的使用步骤,... 目录问题根源分析解决方案验证验证实验实验1:未启用keep-alive实验2:启用keep-alive扩展建

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步