【深度学习】基本概念、术语

川长思鸟来 2022-04-22 07:20 211阅读 0赞

# 人工智能、机器学习、深度学习的关系 #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70][]

**人工智能（AI，Artificial Intelligence）**：人工智能的目标使计算机像人类一样思考学习。如果一台机器通过了“图灵测试”，那么这台机器就具有人工智能。图灵测试：人类与机器通过电传设备进行对话，如果人类无法根据这个对话过程判断对方是人类还是机器，那么就称通过图灵测试。

**机器学习（Machine Learning）**：机器学习是一种统计学方法计算机利用已有的数据，得出某种模型，再利用此模型预测结果。机器学习是人工智能的分支。机器学习是实现人工智能的一种方法，是人工智能的子集。

**深度学习（Deep Learning）：**是深层次的神经网络，是机器学习的一种实现方法，是机器学习的子集。深度学习主要通过神经网实现。

# 关于机器学习 #

**机器学习的三要素**：数据、算法、算力。缺一不可。

![20190122095258385.png][]

机器学习和传统计算机运算的不同

**传统的计算机计算**：传统的计算机计算是依照的“冯诺依曼原理”，指令和数据都被预先存储，按照指令先后顺序，逐条读取并运行。特点是输出是特定的。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 1][] 传统的计算机计算

**机器学习**：先大量读取已有数据，得出模型。在输入新的数据，输出的是概率。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 2][] 机器学习模型

**机器学习最主要的应用**：预测、分类。

# **机器学习类型** #

> 监督学习（Supervised Learning）：将**成对的已经标记好**的输入输出经验数据作为一个输入进行学习，用来预测输出结果，是从有正确答案的例子中进行学习。按照任务类型可简单分为**：分类问题**和**回归问题**。
> 
> 无监督学习（Unsupervised Learning）：在数据中发现一些规律。分为：**聚类问题**和**降维问题**
> 
> 半监督学习：介于监督学习和非监督学习之间的学习，一种增强学习，问题可以通过决策来获得反馈，但是反馈与某一决策没有直接的关系。
> 
> 增强式学习（Reinforcement Learning）：增强式学习借助定义动作、状态、奖励的方式，不断训练机器循序渐进，学会执行某项任务的算法，常用用于动态系统及机器人控制等

# 深度学习的架构 #

多层感知机（Multi-Layer Perceptron）：多层全连接层组成；

深度神经网络（Deep Neural Network，DNN）：就是很深层的神经网络

卷积神经网络（Convolutional Neural Network，CNN）：多层卷积层+全连接层

递归神经网络（Recurrent Neural Network，RNN）

# **真假阴阳** #

> 真阳性（True Positive）：正确的识别出目标；预测为正，实际也为正；
> 
> 假阳性（False Positive）：错误的识别出目标；预测为正，实际为负；
> 
> 真阴性（True Negative）：正确识别非目标；预测为负，实际为负；
> 
> 假阴性（False Negative）：错误识别非目标；预测为负，实际为正；
> 
> 注：预测和实际一致称为“真”，不一致称为“假”；预测结果为“正”，则为“阳”，预测结果为“负”，则为“阴”。

# 计算机中神经网络的发展 #

三起两落

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 3][]

# 迁移学习 #

深度学习下的迁移学习 旨在利用 源任务数据 辅助 目标任务数据下 的学习。迁移学习适用于 源任务数据 比 目标任务数据多，并且 源任务中 学习得到的 低层特征 可以帮助 目标任务 的学习的情形。

在计算机视觉领域，常用的源任务数据是ImageNet。对ImageNet预训练模型的利用通常有两种方式：（1）固定提取器。用ImageNet预训练模型提取目标任务数据的高层数据。（2）微调（Fine-tuning）。以ImageNet预训练模型 作为目标任务模型的初始化权值，之后在目标任务数据上进行微调。

# 多任务学习 #

多任务学习（muiti-task learning）,与其针对每个任务训练一个小网络，深度学习下的多任务学习旨在训练一个大网络以同时完成全部任务。

# 端到端的学习 #

端到端的学习（end-to-end learning）,深度学习下的 端到端学习 旨在通过一个深度学习网络直接学习 从 数据的原始形式 数据 的 标记的映射。端到端的学习并不应该作为我们的一个追求目标，是否采用端到端的学习的一个重要的因素是：有没有足够的数据对应端到端的过程，以及我们有没有一些领域知识能够用于整个系统的一些模块。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70]: /images/20220422/b72d831ebab145f6971a6648f9e50e28.png
[20190122095258385.png]: /images/20220422/41be7f75a73d43b5acd2f1c3116becd9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 1]: /images/20220422/d91dc0119dc6463e9dc7a08a1f7c3b38.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 2]: /images/20220422/774b3c036f434280ac40a5cf87b2a039.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 3]: /images/20220422/38391c7b17ec4719a824b80e1a22c6fe.png