李宏毅机器学习笔记第10周_鱼与熊掌可以兼得的深度学习

2023-11-28 20:50

本文主要是介绍李宏毅机器学习笔记第10周_鱼与熊掌可以兼得的深度学习,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!

文章目录

  • 一、鱼与熊掌可以兼得
  • 二、Why Hidden Layer?
    • 1.Piecewise Linear
    • 2.Hard Sigmoid -> ReLU
  • 三、Deeper is Better?
  • 四、Fat + Short v.s. Thin + Tall
  • 五、Why we need deep?
  • 六、Analogy – Logic Circuits
  • 七、Analogy – Programming
  • 八、More Analogy
  • 九、Deep Network
  • 总结


一、鱼与熊掌可以兼得

如下图所示,当有较大H的时候,我们得到的理想情况是比较小的,但是理想与现实相差较大;当有较小H的时候,虽然理想与现实相差较小,但是理想情况的结果比较大;那么要想做到鱼与熊掌兼得,就要既让loss小,又要让H也很小。
在这里插入图片描述

二、Why Hidden Layer?

1.Piecewise Linear

1)我们可以通过一个Hidden Layer就可以制造出所有可能的Function。如下图所示,现在我们要找一个Function,用Network去产生图中的线。我们将图中的线分成几等分,然后将端点连接起来得到Piecewise Linear。从图中我们可以发现如果绿色的线段足够多,就可以让绿色的线和黑色的线越来越接近。
在这里插入图片描述
2)如下图所示,通过观察发现,绿色的线可以看作常数项加上一堆蓝色的Function。
在这里插入图片描述
3)如下图所示,我们可以使用Sigmoid Function近似地表示蓝色阶梯形的线(Hard Sigmoid)。
在这里插入图片描述
4)如下图所示,每一个neuron都可以制造出蓝色阶梯形的线,然后把它们加起来,再加上常数项,就可以产生Piecewise Linear。
在这里插入图片描述
我们只要有足够多的neuron,我们就可以产生其它任何的Function。

2.Hard Sigmoid -> ReLU

1)Hard Sigmoid Function可以由两个ReLU Function所组成,ReLU Function如下图所示。
在这里插入图片描述
2)如下图所示,假设Network里面的neuron都是ReLU。只要有足够多的ReLU,把它们组合起来,就可以变成Piecewise Linear,这个Piecewise Linear可以逼近任何的Function。
在这里插入图片描述

三、Deeper is Better?

如下图所示,这里是对语音辨识性能的研究。我们可以发现Network越深,错误率越低。当我们把Network越叠越深时,H就会越来越大,理想的Loss会越来越低,就算有足够多的资料量,理想与现实也不会差太多。
在这里插入图片描述
深度学习不仅需要大模型,也需要大量的训练资料。如果没有大量的训练资料,就会出现overfitting。

四、Fat + Short v.s. Thin + Tall

1. 如下图所示,我们可以让模型横向发展,也就是把模型变胖,这样也可以制造很大的模型。现在我们让Shallow Network和Deep Network有一样的参数,看谁的表现更好?
在这里插入图片描述
2. 如下图所示,当参数量相同时,Deep Network比Shallow Network的表现更好,错误率更低。
在这里插入图片描述

五、Why we need deep?

当表示某一个Function时,使用Deep的架构更加有效率,因为Deep使用的参数比Shallow使用的参数少。
在这里插入图片描述

六、Analogy – Logic Circuits

1. Parity check
输入是由01组成的串,如果这个串中1出现的次数是奇数,就输出0;反之,就输出1。
在这里插入图片描述
2. 把XNOR排成Deep结构时,当输入的数字相同时,就输出1;反之,就输出0。
在这里插入图片描述

七、Analogy – Programming

模块化编程的设计思想是把程序要实现的功能分模块,分别写成函数,这样就可以增加复用性,提高开发效率。
在这里插入图片描述

八、More Analogy

在剪窗花过程中,把纸对折多次后剪比不对折纸剪要更快、更有效率。
在这里插入图片描述

九、Deep Network

1. 如下图所示,一层结构,两层神经元,激活函数用ReLU,输出a1后,得到x与a1的关系。
在这里插入图片描述
2. 如下图所示,两层结构,因为第二层的Hidden Layer与第一层的Hidden Layer结构一样,所以a2与a1的关系跟a1与x的关系一样。因此得到a2与x的关系。
在这里插入图片描述
3. 如下图所示,三层结构,与上面情况相似,因此可以得到a3与x的关系。
在这里插入图片描述
4. 如下图所示,通过上述结果可以得到,假如我们想要得到2^k个折线段的函数,只需要Deep Network有k层,每层有2个神经元;Shallow Network只有1层,需要2^k个神经元。因此,Deep Network参数量比较小,需要比较简单的模型;Shallow Network参数量比较大,需要比较复杂的模型,然而复杂的模型容易overfitting,所有需要大量的训练资料。
在这里插入图片描述


总结

当我们需要的Function(让Loss很低)是复杂和有规律的(image,speech),Deep Network比Shallow Network表现得更好。
在函数是y=x^2的情况下,Deep Network也比Shallow Network表现得更好。

这篇关于李宏毅机器学习笔记第10周_鱼与熊掌可以兼得的深度学习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/430251

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

【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

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件