【大厂AI课学习笔记】【1.6 人工智能基础知识】（3）神经网络

时间：2024-02-15 16:55:55

深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅草莓照片)可以使用

多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。

深度学习的最主要特征是使用神经网络作为计算模型。神经网络模型 得名于其对于动物神经元传递信息方式的模拟。

实际上，现在的神经网络模型，和神经，已经没有特别大的关系了。

深度学习的深度，一般指神经网络的层数。一般有2-3个隐藏层；深层神经网络，隐藏层可能有150层；

背景知识梳理：

神经网络的定义

神经网络（Neural Networks）是一种模拟人脑神经元连接方式的计算模型，用于处理信息、学习和识别模式。它由大量相互连接的神经元（或称为节点、单元）组成，每个神经元接收来自其他神经元的输入信号，并根据这些信号产生输出。神经网络通过调整神经元之间的连接权重来学习和适应新数据。

发展脉络

  1. 起源：神经网络的灵感来源于生物学中的神经系统。1943年，心理学家Warren McCulloch和数学家Walter Pitts提出了第一个基于生物神经系统的计算模型。
  2. 感知机：1957年，Frank Rosenblatt发明了感知机（Perceptron），这是一种简单的二元线性分类器，可以学习并解决一些基本问题。然而，它不能处理异或（XOR）等非线性问题。
  3. 反向传播算法：1986年，Rumelhart、Hinton和Williams提出了反向传播（Backpropagation）算法，这是训练多层神经网络的关键技术。它允许网络学习更复杂的非线性模式。
  4. 深度学习：2006年，Hinton等人提出了“深度学习”的概念，并展示了如何使用无监督预训练和有监督微调来训练深度置信网络（DBN）。这标志着深度学习时代的开始。
  5. 卷积神经网络（CNN）：Yann LeCun等人在1998年提出了卷积神经网络（Convolutional Neural Networks, CNN），用于图像识别。CNN在图像处理任务中表现出色。
  6. 循环神经网络（RNN）：RNN是为了处理序列数据而设计的，它能够捕捉序列中的时间依赖性。RNN在自然语言处理（NLP）和语音识别等领域有广泛应用。
  7. 生成对抗网络（GAN）：2014年，Goodfellow等人提出了生成对抗网络（Generative Adversarial Networks, GAN），它由生成器和判别器两个神经网络组成，用于生成逼真的新数据。
  8. Transformer架构：2017年，Vaswani等人提出了Transformer架构，它完全基于自注意力机制（self-attention），并在自然语言处理任务中取得了巨大成功，如BERT、GPT等模型。

神经网络的类型与关键技术构成

  1. 前馈神经网络：信息从输入层单向传递到输出层，没有循环或反馈连接。关键技术包括激活函数（如ReLU、sigmoid、tanh等）、权重初始化和正则化（如L1、L2正则化）。
  2. 卷积神经网络（CNN）：专门用于处理图像数据。关键技术包括卷积层、池化层、全连接层和激活函数。CNN通过卷积层提取图像特征，并通过池化层降低数据维度。
  3. 循环神经网络（RNN）：处理序列数据，如文本或时间序列数据。关键技术包括循环连接、长短时记忆单元（LSTM）和门控循环单元（GRU），用于捕捉序列中的长期依赖性。
  4. 生成对抗网络（GAN）：由生成器和判别器组成，通过对抗性训练生成新数据。关键技术包括生成器和判别器的设计、损失函数的选择以及训练策略。
  5. 自编码器：用于无监督学习，尝试复制其输入到输出。关键技术包括编码器和解码器的设计，以及损失函数（如均方误差）的选择。
  6. Transformer架构：基于自注意力机制处理序列数据。关键技术包括多头自注意力机制、位置编码和前馈神经网络层。

如何构建神经网络

构建神经网络通常涉及以下步骤：

  1. 定义网络结构：确定输入层、隐藏层和输出层的神经元数量以及层与层之间的连接方式。
  2. 初始化权重和偏置：随机初始化神经元的权重和偏置值。
  3. 选择激活函数：为神经网络的每一层选择一个激活函数。
  4. 定义损失函数：根据任务类型（分类、回归等）选择合适的损失函数。
  5. 选择优化器：如梯度下降、随机梯度下降（SGD）、Adam等，用于更新权重和偏置以最小化损失函数。
  6. 训练网络：使用训练数据集进行前向传播计算损失，然后通过反向传播算法计算梯度并更新权重和偏置。
  7. 评估网络性能：使用验证数据集评估网络的性能，并根据需要进行调整（如超参数调优）。
  8. 应用网络：使用测试数据集评估网络的最终性能，并将其应用于实际任务中。

示例

使用TensorFlow构建简单的神经网络进行MNIST手写数字分类
 

import tensorflow as tf  
from tensorflow.keras.datasets import mnist  
from tensorflow.keras.models import Sequential  
from tensorflow.keras.layers import Dense, Flatten  
from tensorflow.keras.losses import SparseCategoricalCrossentropy  
from tensorflow.keras.optimizers import Adam  
  
# 加载MNIST数据集  
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()  
  
# 数据预处理：归一化和展平  
train_images = train_images.reshape((60000, 28 * 28)) / 255.0  
test_images = test_images.reshape((10000, 28 * 28)) / 255.0  
  
# 构建神经网络模型  
model = Sequential([  
    Dense(128, activation='relu', input_shape=(28 * 28,)),  # 输入层与第一个隐藏层  
    Dense(64, activation='relu'),  # 第二个隐藏层  
    Dense(10, activation='softmax')  # 输出层，10个类别（0-9）  
])  
  
# 编译模型：指定损失函数、优化器和评估指标  
model.compile(optimizer=Adam(),  
              loss=SparseCategoricalCrossentropy(),  
              metrics=['accuracy'])  
  
# 训练模型  
model.fit(train_images, train_labels, epochs=5, batch_size=32)  
  
# 评估模型性能  
test_loss, test_acc = model.evaluate(test_images, test_labels)  
print(f'Test accuracy: {test_acc}')

这段代码使用TensorFlow库构建了一个简单的三层神经网络（包括输入层、两个隐藏层和一个输出层），用于对MNIST手写数字数据集进行分类。通过调整网络结构、激活函数、损失函数和优化器等组件，可以进一步优化模型的性能。