您應(yīng)該知道的9種深度學(xué)習(xí)算法

本文的主要目標(biāo)是讓您對(duì)深度學(xué)習(xí)領(lǐng)域有一個(gè)整體了解，并幫助您了解每種特定情況下應(yīng)使用的算法。來吧。

神經(jīng)網(wǎng)絡(luò)：基礎(chǔ)

神經(jīng)網(wǎng)絡(luò)是一個(gè)具有相互連接的節(jié)點(diǎn)的計(jì)算系統(tǒng)，其節(jié)點(diǎn)的工作方式更像是人腦中的神經(jīng)元。這些神經(jīng)元在它們之間進(jìn)行處理并傳遞信息。每個(gè)神經(jīng)網(wǎng)絡(luò)都是一系列的算法，這些算法試圖通過一個(gè)模擬人類大腦運(yùn)作的過程來識(shí)別一組數(shù)據(jù)中的潛在關(guān)系。

深度學(xué)習(xí)算法和經(jīng)典神經(jīng)網(wǎng)絡(luò)之間有什么區(qū)別呢？最明顯的區(qū)別是：深度學(xué)習(xí)中使用的神經(jīng)網(wǎng)絡(luò)具有更多隱藏層。這些層位于神經(jīng)元的第一層（即輸入層）和最后一層（即輸出層）之間。另外，沒有必要將不同層的所有神經(jīng)元連接起來。

您應(yīng)該知道的9種深度學(xué)習(xí)算法

＃1反向傳播

反向傳播算法是一種非常流行的用于訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)算法。本質(zhì)上，反向傳播計(jì)算成本函數(shù)的導(dǎo)數(shù)的表達(dá)式，它是每一層之間從左到右的導(dǎo)數(shù)乘積，而每一層之間的權(quán)重梯度是對(duì)部分乘積的簡單修改（“反向傳播誤差”）。

我們向網(wǎng)絡(luò)提供數(shù)據(jù)，它產(chǎn)生一個(gè)輸出，我們將輸出與期望的輸出進(jìn)行比較（使用損失函數(shù)），然后根據(jù)差異重新調(diào)整權(quán)重。然后重復(fù)此過程。權(quán)重的調(diào)整是通過一種稱為隨機(jī)梯度下降的非線性優(yōu)化技術(shù)來實(shí)現(xiàn)的。

假設(shè)由于某種原因，我們想識(shí)別圖像中的樹。我們向網(wǎng)絡(luò)提供任何種類的圖像，并產(chǎn)生輸出。由于我們知道圖像是否實(shí)際上有一棵樹，因此我們可以將輸出與真實(shí)情況進(jìn)行比較并調(diào)整網(wǎng)絡(luò)。隨著我們傳遞越來越多的圖像，網(wǎng)絡(luò)的錯(cuò)誤就會(huì)越來越少?，F(xiàn)在我們可以給它提供一個(gè)未知的圖像，它將告訴我們?cè)搱D像是否包含樹。

＃2前饋神經(jīng)網(wǎng)絡(luò)（FNN）

前饋神經(jīng)網(wǎng)絡(luò)通常是全連接，這意味著層中的每個(gè)神經(jīng)元都與下一層中的所有其他神經(jīng)元相連。所描述的結(jié)構(gòu)稱為“多層感知器”，起源于1958年。單層感知器只能學(xué)習(xí)線性可分離的模式，而多層感知器則可以學(xué)習(xí)數(shù)據(jù)之間的非線性的關(guān)系。

前饋網(wǎng)絡(luò)的目標(biāo)是近似某個(gè)函數(shù)f。例如對(duì)于分類，=（x）將輸入x映射到類別y。前饋網(wǎng)絡(luò)定義了一個(gè)映射y = f（x;θ），并學(xué)習(xí)了導(dǎo)致最佳函數(shù)逼近的參數(shù)θ的值。

這些模型之所以稱為前饋，是因?yàn)閺膞到定義f的中間計(jì)算，最后到輸出y，沒有反饋連接。沒有將模型的輸出反饋到自身的反饋連接。當(dāng)前饋神經(jīng)網(wǎng)絡(luò)擴(kuò)展為包括反饋連接時(shí)，它們稱為循環(huán)神經(jīng)網(wǎng)絡(luò)。

＃3卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)除了為機(jī)器人和自動(dòng)駕駛汽車的視覺提供幫助外，還成功的應(yīng)用于人臉識(shí)別，對(duì)象監(jiān)測(cè)和交通標(biāo)志識(shí)別等領(lǐng)域。

在數(shù)學(xué)中，卷積是一個(gè)函數(shù)越過另一個(gè)函數(shù)時(shí)兩個(gè)函數(shù)重疊多少的積分度量。

綠色曲線表示藍(lán)色和紅色曲線的卷積，它是t的函數(shù)，位置由垂直的綠色線表示。灰色區(qū)域表示乘積g（tau）f（t-tau）作為t的函數(shù)，所以它的面積作為t的函數(shù)就是卷積。

這兩個(gè)函數(shù)在x軸上每一點(diǎn)的重疊的乘積就是它們的卷積。

在某種程度上，他們嘗試對(duì)前饋網(wǎng)絡(luò)進(jìn)行正則化，以避免過度擬合（當(dāng)模型只學(xué)習(xí)預(yù)先看到的數(shù)據(jù)而不能泛化時(shí)），這使得他們能夠很好地識(shí)別數(shù)據(jù)之間的空間關(guān)系。

＃4循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

循環(huán)神經(jīng)網(wǎng)絡(luò)在許多NLP任務(wù)中都非常成功。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，可以理解所有輸入和輸出都是獨(dú)立的。但是，對(duì)于許多任務(wù)，這是不合適的。如果要預(yù)測(cè)句子中的下一個(gè)單詞，最好考慮一下它前面的單詞。

RNN之所以稱為循環(huán)，是因?yàn)樗鼈儗?duì)序列的每個(gè)元素執(zhí)行相同的任務(wù)，并且輸出取決于先前的計(jì)算。RNN的另一種解釋：這些網(wǎng)絡(luò)具有“記憶”，考慮了先前的信息。

例如，如果序列是5個(gè)單詞的句子，則由5層組成，每個(gè)單詞一層。

在RNN中定義計(jì)算的公式如下：

x_t-在時(shí)間步t輸入。例如，x_1可以是與句子的第二個(gè)單詞相對(duì)應(yīng)的one-hot向量。

s_t是步驟t中的隱藏狀態(tài)。這是網(wǎng)絡(luò)的“內(nèi)存”。s_t作為函數(shù)取決于先前的狀態(tài)和當(dāng)前輸入x_t：s_t = f（Ux_t + Ws_ {t-1}）。函數(shù)f通常是非線性的，例如tanh或ReLU。計(jì)算第一個(gè)隱藏狀態(tài)所需的s _ {-1}通常初始化為零（零向量）。

o_t-在步驟t退出。例如，如果我們要預(yù)測(cè)句子中的單詞，則輸出可能是字典中的概率向量。o_t = softmax（Vs_t）

圖像描述的生成

與卷積神經(jīng)網(wǎng)絡(luò)一起，RNN被用作模型的一部分，以生成未標(biāo)記圖像的描述。組合模型將生成的單詞與圖像中的特征相結(jié)合：

最常用的RNN類型是LSTM，它比RNN更好地捕獲（存儲(chǔ)）長期依賴關(guān)系。LSTM與RNN本質(zhì)上相同，只是它們具有不同的計(jì)算隱藏狀態(tài)的方式。

LSTM中的memory稱為cells，您可以將其視為接受先前狀態(tài)h_ {t-1}和當(dāng)前輸入?yún)?shù)x_t作為輸入的黑盒。在內(nèi)部，這些cells決定保存和刪除哪些memory。然后，它們將先前的狀態(tài)，當(dāng)前memory和輸入?yún)?shù)組合在一起。

這些類型的單元在捕獲（存儲(chǔ)）長期依賴關(guān)系方面非常有效。

＃5遞歸神經(jīng)網(wǎng)絡(luò)

遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)網(wǎng)絡(luò)的另一種形式，不同之處在于它們是樹形結(jié)構(gòu)。因此，它們可以在訓(xùn)練數(shù)據(jù)集中建模層次結(jié)構(gòu)。

由于其與二叉樹、上下文和基于自然語言的解析器的關(guān)系，它們通常用于音頻到文本轉(zhuǎn)錄和情緒分析等NLP應(yīng)用程序中。然而，它們往往比遞歸網(wǎng)絡(luò)慢得多

＃6自編碼器

自編碼器可在輸出處恢復(fù)輸入信號(hào)。它們內(nèi)部有一個(gè)隱藏層。自編碼器設(shè)計(jì)為無法將輸入準(zhǔn)確復(fù)制到輸出，但是為了使誤差最小化，網(wǎng)絡(luò)被迫學(xué)習(xí)選擇最重要的特征。

自編碼器可用于預(yù)訓(xùn)練，例如，當(dāng)有分類任務(wù)且標(biāo)記對(duì)太少時(shí)?；蚪档蛿?shù)據(jù)中的維度以供以后可視化?；蛘?，當(dāng)您只需要學(xué)習(xí)區(qū)分輸入信號(hào)的有用屬性時(shí)。

＃7深度信念網(wǎng)絡(luò)和受限玻爾茲曼機(jī)器

受限玻爾茲曼機(jī)是一個(gè)隨機(jī)神經(jīng)網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)，意味著我們有類似神經(jīng)元的單元，其binary激活取決于它們所連接的相鄰單元；隨機(jī)意味著這些激活具有概率性元素），它包括：

可見單位層

隱藏單元層

偏差單元

此外，每個(gè)可見單元連接到所有的隱藏單元（這種連接是無向的，所以每個(gè)隱藏單元也連接到所有的可見單元），而偏差單元連接到所有的可見單元和所有的隱藏單元。

為了使學(xué)習(xí)更容易，我們對(duì)網(wǎng)絡(luò)進(jìn)行了限制，使任何可見單元都不連接到任何其他可見單元，任何隱藏單元都不連接到任何其他隱藏單元。

多個(gè)RBM可以疊加形成一個(gè)深度信念網(wǎng)絡(luò)。它們看起來完全像全連接層，但但是它們的訓(xùn)練方式不同。

＃8生成對(duì)抗網(wǎng)絡(luò)（GAN）

GAN正在成為一種流行的在線零售機(jī)器學(xué)習(xí)模型，因?yàn)樗鼈兡軌蛞栽絹碓礁叩臏?zhǔn)確度理解和重建視覺內(nèi)容。用例包括：

從輪廓填充圖像。

從文本生成逼真的圖像。

制作產(chǎn)品原型的真實(shí)感描述。

將黑白圖像轉(zhuǎn)換為彩色圖像。

在視頻制作中，GAN可用于：

在框架內(nèi)模擬人類行為和運(yùn)動(dòng)的模式。

預(yù)測(cè)后續(xù)的視頻幀。

創(chuàng)建deepfake

生成對(duì)抗網(wǎng)絡(luò)（GAN）有兩個(gè)部分：

生成器學(xué)習(xí)生成可信的數(shù)據(jù)。生成的實(shí)例成為判別器的負(fù)面訓(xùn)練實(shí)例。

判別器學(xué)會(huì)從數(shù)據(jù)中分辨出生成器的假數(shù)據(jù)。判別器對(duì)產(chǎn)生不可信結(jié)果的發(fā)生器進(jìn)行懲罰。

建立GAN的第一步是識(shí)別所需的最終輸出，并根據(jù)這些參數(shù)收集初始訓(xùn)練數(shù)據(jù)集。然后將這些數(shù)據(jù)隨機(jī)化并輸入到生成器中，直到獲得生成輸出的基本精度為止。

然后，將生成的圖像與原始概念的實(shí)際數(shù)據(jù)點(diǎn)一起饋入判別器。判別器對(duì)信息進(jìn)行過濾，并返回0到1之間的概率來表示每個(gè)圖像的真實(shí)性（1與真相關(guān)，0與假相關(guān)）。然后檢查這些值是否成功，并不斷重復(fù)，直到達(dá)到預(yù)期的結(jié)果。

＃9Transformers

Transformers也很新，它們主要用于語言應(yīng)用。它它們基于一個(gè)叫做注意力的概念，這個(gè)概念被用來迫使網(wǎng)絡(luò)將注意力集中在特定的數(shù)據(jù)點(diǎn)上。

由于LSTM單元過于復(fù)雜，因此可以使用注意力機(jī)制根據(jù)其重要性對(duì)輸入的不同部分進(jìn)行權(quán)衡。注意力機(jī)制只不過是另一個(gè)具有權(quán)重的層，它的唯一目的是調(diào)整權(quán)重，使輸入的部分優(yōu)先化，同時(shí)排除其他部分。

實(shí)際上，Transformers由多個(gè)堆疊的編碼器（形成編碼器層），多個(gè)堆疊的解碼器（解碼器層）和一堆a(bǔ)ttention層（self- attentions和encoder-decoder attentions）組成

Transformers設(shè)計(jì)用于處理諸如機(jī)器翻譯和文本摘要之類的各種任務(wù)的有序數(shù)據(jù)序列，例如自然語言。如今，BERT和GPT-2是兩個(gè)最著名的經(jīng)過預(yù)先訓(xùn)練的自然語言系統(tǒng)，用于各種NLP任務(wù)中，它們都基于Transformers。

＃10圖神經(jīng)網(wǎng)絡(luò)

一般來說，非結(jié)構(gòu)化數(shù)據(jù)并不適合深度學(xué)習(xí)。在許多實(shí)際應(yīng)用中，數(shù)據(jù)是非結(jié)構(gòu)化的，例如社交網(wǎng)絡(luò)，化合物，知識(shí)圖，空間數(shù)據(jù)等。

圖神經(jīng)網(wǎng)絡(luò)的目的是對(duì)圖數(shù)據(jù)進(jìn)行建模，這意味著它們識(shí)別圖中節(jié)點(diǎn)之間的關(guān)系，并對(duì)其進(jìn)行數(shù)值表示。它們以后可以在任何其他機(jī)器學(xué)習(xí)模型中用于各種任務(wù)，例如聚類，分類等。