深度学习配套教材课件完整版电子教案.pptx

深度学习;§1.1 引言 §1.2 基本术语 §1.3 监督学习算法 §1.4 无监督学习算法 §1.5 机器学习简介 §1.6 深度学习的趋势 ; ;样本 数据集 特征 属性 维数 样本空间 特征向量 标签学习 训练 训练数据 训练样本 训练集 假设 实际输出目标 输出预测 损失函数 代价函数 分类回归 二分类 多分类 迭代 迭代次数 测试 验证集 测试集 过拟合 欠拟合 泛化能力 鲁棒性 迁移学习 监督学习 无监督学习 聚类 簇 独立同分布 ;;;1.3.2决策树; 无监督学习算法训练含有很多特征的数据集，然后学习出这个数据集上有用的结构性质。无监督算法只处理“特征”，而不处理标签。 其实，监督和无监督算法之间的区别并没有规范严格的定义，通俗地说，无监督学习的大多数尝试是指从没有人为注释的样本的分布中抽取信息。 一个经典的无监督学习任务是找到数据的“最佳”表示。 这个“最佳”表示一般来说，是指该表示在比本身表示的信息更简单或更易访问而受到限制的情况下，尽可能地保存关于样本的更多信息。;1.4.1 主成分分析;PCA将输入高维函数投影表示成低维函数，学习数据的正交线性变换。 由于我们是想在低维空间中依旧能区分原始样本的，因此我们希望所有样本的投影尽可能地分开。此时，则需要最大化投影点的方差（由于方差是衡量一组数据离散程度的度量）。 PCA这种将数据变换为元素之间彼此不相关表示的能力是PCA的一个重要性质。它是消除数据中未知变化因素的简单表示示例。 在PCA中，这个消除是通过寻找输入空间的一个旋转（通过协方差矩阵完成），使得最大方差的主坐标和新表示空间的基对齐（如Y’X’坐标系）。;1.4.2 k-均值聚类;作为一种实现人工智能的强大技术，深度学习(Deep Learning) 已经在手写数字识别、维数约简、语音识别、图像理解、机器翻译、蛋白结构预测和情感识别等各个方面获得了广泛应用。因屡屡取得打破记录的评测结果并超越其他方法，而很快受到了非常高度的关注。 依靠硬编码的知识体系面对的困难表明，AI系统需要具备自己获取知识的能力，即从原始数据中提取模式的能力。这种能力被称为机器学习（Machine Learning）。;;机器学习备受瞩目当然是由于它强大的智能数据分析能力，但机器学习研究还有另一个不可忽视的意义，即通过建立一些计算模型来促进我们发现一些新的自然规律，如新型的蛋白质结构等。自然科学研究的驱动力归结起来无外是人类对宇宙本源、万物本质、生命本性、自我本质的好奇，从这个意义上说，机器学习不仅在信息科学中占有重要地位，还具有一定的自然科学探索色彩。;深度学习的再次崛起，依赖于四个世界发展的基本趋势： ①与日俱增的数据量； ②愈发庞大的计算资源； ③深度学习越来越高的识别精度与预测能力； ④深度学习成功地解决越来越多的实际问题。;;1.6.2愈发庞大的计算资源;;§2-1 TensorFlow简介 §2-2 Keras简介; 深度学习被视为一种只有专家才可以使用好的艺术，并非是一种通用技术。近两年，谷歌、微软等行业巨头也重点研究一些开源的深度学习框架，如TensorFlow、PyTorch、Caffe等。本章主要介绍TensorFlow以及Keras框架。这两个框架是本书示例的主要实施平台。 ; ;2.1.1 TensorFlow的使用;TensorFlow的安装;#调用TensorFlow import tensorflow as tf # 创建一个常量op，产生一个矩阵A。这个op被作为一个节点加到默认中 matrix1 = tf.constant([[3., 3.]]) # 创建另外一个常量op，产生一个矩阵B matrix2 = tf.constant([[2.],[2.]]) # 创建一个矩阵乘法matmul op，把matrix1和matrix2作为输入. # 返回值product代表矩阵乘法的结果. product = tf.matmul(matrix1, matrix2) ?;在会话中启动图;2.1.2 TensorFlow的可视化;TensorFlow Image摘要信息如图所示，该示例中显示了测试数据和训练数据中的手写数字图片。;TensorFlow图模型如图所示，可清晰地展示模型的训练流程