深度学习 - 深度学习（人工神经网络的研究的概念）

偏执的太偏执、 2023-02-28 11:29 45阅读 0赞

### 文章目录 ###

*  深度学习 - 深度学习 （人工神经网络的研究的概念）
 *   *   *   *  1、概念
             *  2、相关应用场景
             *  3、简介
             *  4、区别于浅层学习
             *  5、典型模型案例
             *  6、深度学习是如何进行训练的
             *   *   *  自下上升的非监督学习
                     *  自顶向下的监督学习

# 深度学习 - 深度学习 （人工神经网络的研究的概念） #

--------------------

#### 1、概念 ####

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)

> 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术

#### 2、相关应用场景 ####

*  搜索技术
 *  数据挖掘
 *  机器学习
 *  机器翻译
 *  自然语言处理
 *  多媒体学习
 *  语音
 *  推荐和个性化技术
 *  以及其他相关领域

#### 3、简介 ####

深度学习是一类模式分析方法的统称

主要是

*  基于卷积运算的神经网络系统，即卷积神经网络(CNN)
 *  基于多层神经元的自编码神经网络，包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)
 *  以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)

#### 4、区别于浅层学习 ####

*  强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点
 *  明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据丰富的内在信息

#### 5、典型模型案例 ####

*  卷积神经网络( convolutional neural network)
 *  DBN
 *  堆栈自编码网络(stacked auto-encoder network)模型

#### 6、深度学习是如何进行训练的 ####

2006年，Hinton提出了在非监督数据上建立多层神经网络的一个有效方法，具体分为两步：首先逐层构建单层神经元，这样每次都是训练一个单层网络；当所有层训练完后，使用wake-sleep算法进行调优

将除最顶层的其他层间的权重变为双向的，这样最顶层仍然是一个单层神经网络，而其他层则变为了图模型。向上的权重用于“认知”，向下的权重用于“生成”。然后使用wake-sleep算法调整所有的权重。让认知和生成达成一致，也就是保证生成的最顶层表示能够尽可能正确的复原底层的节点。比如顶层的一个节点表示人脸，那么所有人脸的图像应该激活这个节点，并且这个结果向下生成的图像应该能够表现为一个大概的人脸图像。wake-sleep算法分为醒( wake)和睡(sleep)两个部分

wake阶段：认知过程，通过外界的特征和向上的权重产生每一层的抽象表示，并且使用梯度下降修改层间的下行权重

sleep阶段：生成过程，通过顶层表示和向下权重，生成底层的状态，同时修改层间向上的权重

###### 自下上升的非监督学习 ######

就是从底层开始，一层一层地往顶层训练。采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，这也是和传统神经网络区别最大的部分，可以看作是特征学习过程。具体的，先用无标定数据训练第一层，训练时先学习第一层的参数，这层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层，由于模型容量的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到n-l层后，将n-l层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。 \[6\]

###### 自顶向下的监督学习 ######

就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调。基于第一步得到的各层参数进一步优调整个多层模型的参数，这一步是一个有监督训练过程。第一步类似神经网络的随机初始化初值过程，由于第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。所以深度学习的良好效果在很大程度上归功于第一步的特征学习的过程