0


【机器学习算法】神经网络与深度学习-5 深度学习概述

我的主页:晴天qt01的博客_CSDN博客-数据分析师领域博主

目前进度:第四部分【机器学习算法】

深度学习概述

是一个强大的多层的神经网络的架构

用于模式识别(图像识别,人脸识别)、信号检测(语音信号处理),以及语言处理等多个领域。

过去几年获得了极大的关注

这部分归功于计算机计算能力的不断提升。(可以大量节省时间。)

不断涌现出更有效的训练模型的方法

也源于可使用的数据量不断的增加。(收集信息的方法比以前更加简单,使深度学习的架构更容易产生。如果是以前数据量比较少的情况下,非常容易出现过拟合的情况。)

这是深度学习为什么会成功的基础建设。

深度学习的历史:

刚开始的神经元其实就是感知机。然后加入单层神经网络。有输入层和输出层,两层神经网络的诞生,开始可以解决非线性的问题

提出了支持向量机SVM,盖过了神经网络的锋芒。第三次兴起就是多层的神经网络。2020之后又有更复杂的神经网络的提出。它可以解决原先没有办法解决的问题。

刚开始神经网络只能用来解决线性可分(解决的问题太少),两层神经网络,就可以有效解决非线性问题(会出现梯度爆炸,梯度消失问题),多层神经网络,使用ReLU的非线性函数,它能很精确的描述切分0与1.多层神经网络可以将问题区分的更细致。

这里是对比3者的计算能力,数据量,算法。

深度学习就可以处理1M-100M,其实已经可以处理更大的数据量了。加进算法pre-Training和Dropout能训练的更快。

案例:

人脸识别,图像识别,智能监控,图像识别等等

这些深度学习做的还不错的问题。

人脸识别

还有人脸身份认证。人脸的属性,识别是男是女,亚洲人欧洲人。表情识别,是否高兴,年龄段,是否佩戴饰品。

人脸聚类:

同一个人,能否聚类到同一群。

真人检测

对人脸进行化妆,美容

图像识别:

服装属性,颜色,那种类型衣服

物体检测:

检测它是笔记本,杯子,笔,硬盘

场景检测:

检测它是山,还是海,还是室内。浴室种类

车型识别:

哪家公司出的那款车辆

智能监控:

行人和车辆的检测

行人检测是在跑步还是在做什么,颜色的衣服

人群流量识别,查看

文字研究

票据类的支票研究。先扫描,备份一份然后把金额p进去写在表表面,但是人工容易出错,所以银行会希望我们把它用深度学习的方法识别出来,然后放在图片上。银行只要检查是否错误。

身份证卡证识别数值

动态车牌识别。

上面说的都是神经网络做的比较好的方面

神经网络的关系图

人工神经网络其实是生物神经网络建立出来的数学模型。

人工神经网络有分为前馈神经网络,和反馈神经网络(会反馈回来,比如RNN)

前馈神经网络有可以分成单层神经网络和两层神经网络(BP或者MLP)还有多层神经网络DL。

多层神经网络有可以分为普通深度网络DNN和深度信念网络DBN(会在自动特征学习中说其中的一种,它的变型太多了)和卷积神经网络CNN

绿色代表我们已经讲过的内容,下次会讲一下,前馈神经网络的多层神经网络的几个部分

反馈神经网络的内容会说明一下。


本文转载自: https://blog.csdn.net/qq1021091799qq/article/details/125985748
版权归原作者 晴天qt01 所有, 如有侵权,请联系我们删除。

“【机器学习算法】神经网络与深度学习-5 深度学习概述”的评论:

还没有评论