深度学习简介

深度学习简介

人工智能学派

将人工智能机器看做黑箱。

• 符号：关注交互
• 行为：聚焦低等生物
• 连接：模拟大脑神经网络

神经网络发展历程

1、MCP：输入加权+求和+激活函数阈值过滤输出。只能模拟一个神经元
2、感知器：梯度下降算法实现自学习，多维输出分类。只能处理线性问题，不能异或（既非又非）分类
3、多层感知器：BP反向传播算法+非线性激活函数，解决非线性问题。基于单个感知器构建多层网络，解决复杂问题。
4、卷积：拟合一切。LeNet
5、ReLU+AlexNet：抑制和解决梯度消失问题，使用BP算法在层数较多时误差传递到前层会衰减导致无法训练。

Tensor张量

多维数组，张量化处理可以将大量数据打包成一批的训练文件，将所有信息都包含在一起。

机器学习

定义

传统编程：数据+程序运行->输出结果
机器学习：数据+输出修正->程序

分类

监督学习、无监督学习、强化学习。

任务

• 分类
• 回归：预测

性能评价

使用混淆矩阵，既非又非。

• 准确率：针对所有所有分类的性能。（真阳+真阴）/样本数
• 精确率：针对某一分类的性能。真阳/（真阳+假阳）
• 召回率：查全率，分类器是否把目标都检测出来，统计阳性被误分的情况。真阳/（真阳+假阴）