参考：
HNU岳麓山大小姐-人工智能导论：清览作业
QCNH雨文-人工智能作业三
DONT_1.3概念基础——深度学习基本原理
1.贝叶斯网络
根据图所给出的贝叶斯网络，其中：P(A)=0.5，P(B|A)=1， P(B|¬A)=0.5， P(C|A)=1， P(C|¬A)=0.5，P(D|BC)=1，P(D|B, ¬C)=0.5，P(D|¬B,C)=0.5，P(D|¬B, ¬C)=0。试计算下列概率P(A|D)。
解：
P(A∣D)=P(D∣A)∗P(A)P(D)P(A|D) = \frac {P(D|A)*P(A)} {P(D)}P(A∣D)=P(D)P(D∣A)∗P(A)P(D∣A)∗P(A)=P(D∣BC)∗P(B∣A)P(C∣A)∗P(A)+P(D∣¬BC)∗P(¬B∣A)P(C∣A)∗P(A)+P(D∣B¬C)∗P(B∣A)P(¬C∣A)∗P(A)+P(D∣¬B¬C)∗P(¬B∣A)P(¬C∣A)∗P(A)=1∗1∗1∗0.5+0.5∗0∗1∗0.5+0.5∗1∗0∗0.5+0∗0∗0∗0.5=0.5P(D|A)*P(A) = P(D|BC)*P(B|A)P(C|A)*P(A)+P(D|¬BC)*P(¬B|A)P(C|A)*P(A) \\ +P(D|B¬C)*P(B|A)P(¬C|A)*P(A)+P(D|¬B¬C)*P(¬B|A)P(¬C|A)*P(A) \\ = 1*1*1*0.5+0.5*0*1*0.5+0.5*1*0*0.5+0*0*0*0.5 \\=0.5P(D∣A)∗P(A)=P(D∣BC)∗P(B∣A)P(C∣A)∗P(A)+P(D∣¬BC)∗P(¬B∣A)P(C∣A)∗P(A)+P(D∣B¬C)∗P(B∣A)P(¬C∣A)∗P(A)+P(D∣¬B¬C)∗P(¬B∣A)P(¬C∣A)∗P(A)=1∗1∗1∗0.5+0.5∗0∗1∗0.5+0.5∗1∗0∗0.5+0∗0∗0∗0.5=0.5P(D∣¬A)∗P(¬A)=P(D∣BC)∗P(B∣¬A)P(C∣¬A)∗P(¬A)+P(D∣¬BC)∗P(¬B∣¬A)P(C∣¬A)∗P(¬A)+P(D∣B¬C)∗P(B∣¬A)P(¬C∣¬A)∗P(¬A)+P(D∣¬B¬C)∗P(¬B∣¬A)P(¬C∣¬A)∗P(¬A)=1∗0.5∗0.5∗0.5+0.5∗0.5∗0.5∗0.5+0.5∗0.5∗0.5∗0.5+0∗0.5∗0.5∗0.5=0.25P(D|¬A)*P(¬A) = P(D|BC)*P(B|¬A)P(C|¬A)*P(¬A)+P(D|¬BC)*P(¬B|¬A)P(C|¬A)*P(¬A) \\ +P(D|B¬C)*P(B|¬A)P(¬C|¬A)*P(¬A)+P(D|¬B¬C)*P(¬B|¬A)P(¬C|¬A)*P(¬A) \\ = 1*0.5*0.5*0.5+0.5*0.5*0.5*0.5+0.5*0.5*0.5*0.5+0*0.5*0.5*0.5 \\ =0.25P(D∣¬A)∗P(¬A)=P(D∣BC)∗P(B∣¬A)P(C∣¬A)∗P(¬A)+P(D∣¬BC)∗P(¬B∣¬A)P(C∣¬A)∗P(¬A)+P(D∣B¬C)∗P(B∣¬A)P(¬C∣¬A)∗P(¬A)+P(D∣¬B¬C)∗P(¬B∣¬A)P(¬C∣¬A)∗P(¬A)=1∗0.5∗0.5∗0.5+0.5∗0.5∗0.5∗0.5+0.5∗0.5∗0.5∗0.5+0∗0.5∗0.5∗0.5=0.25P(D)=P(D∣A)∗P(A)+P(D∣¬A)∗P(¬A)=0.75P(A∣D)=0.50.75=23P(D)=P(D|A)*P(A) +P(D|¬A)*P(¬A)=0.75 \\ P(A|D)= \frac {0.5} {0.75}= \frac {2} {3}P(D)=P(D∣A)∗P(A)+P(D∣¬A)∗P(¬A)=0.75P(A∣D)=0.750.5=32
另：关于P(D|A) 的证明：
P(D∣A)=P(AD)P(A)P(AD)=P(ADBC)+P(ADB¬C)+P(AD¬BC)+P(AD¬B¬C)P(ADBC)=P(D∣BC)P(B∣A)P(C∣A)P(A)P(ADB¬C)=P(D∣B¬C)P(B∣A)P(¬C∣A)P(A)P(AD¬BC)=P(D∣¬BC)P(¬B∣A)P(C∣A)P(A)P(AD¬B¬C)=P(D∣¬B¬C)P(¬B∣A)P(¬C∣A)P(A)所以P(D∣A)=P(D∣BC)P(B∣A)P(C∣A)P(A)+P(D∣B¬C)P(B∣A)P(¬C∣A)P(A)+P(D∣¬BC)P(¬B∣A)P(C∣A)P(A)+P(D∣¬B¬C)P(¬B∣A)P(¬C∣A)P(A)P(A)=P(D∣BC)P(B∣A)P(C∣A)+P(D∣B¬C)P(B∣A)P(¬C∣A)+P(D∣¬BC)P(¬B∣A)P(C∣A)+P(D∣¬B¬C)P(¬B∣A)P(¬C∣A)P(D|A) = \frac {P(AD)}{P(A)}\\ P(AD)=P(ADBC)+P(ADB¬C)+P(AD¬BC)+P(AD¬B¬C) \\ P(ADBC)=P(D|BC)P(B|A)P(C|A)P(A) \\ P(ADB¬C)=P(D|B¬C)P(B|A)P(¬C|A)P(A) \\ P(AD¬BC)=P(D|¬BC)P(¬B|A)P(C|A)P(A) \\ P(AD¬B¬C)=P(D|¬B¬C)P(¬B|A)P(¬C|A)P(A) \\ 所以P(D|A)=\frac {P(D|BC)P(B|A)P(C|A)P(A)+P(D|B¬C)P(B|A)P(¬C|A)P(A)+P(D|¬BC)P(¬B|A)P(C|A)P(A)+P(D|¬B¬C)P(¬B|A)P(¬C|A)P(A)}{P(A)} \\ = P(D|BC)P(B|A)P(C|A)+P(D|B¬C)P(B|A)P(¬C|A)+P(D|¬BC)P(¬B|A)P(C|A)+P(D|¬B¬C)P(¬B|A)P(¬C|A)P(D∣A)=P(A)P(AD)P(AD)=P(ADBC)+P(ADB¬C)+P(AD¬BC)+P(AD¬B¬C)P(ADBC)=P(D∣BC)P(B∣A)P(C∣A)P(A)P(ADB¬C)=P(D∣B¬C)P(B∣A)P(¬C∣A)P(A)P(AD¬BC)=P(D∣¬BC)P(¬B∣A)P(C∣A)P(A)P(AD¬B¬C)=P(D∣¬B¬C)P(¬B∣A)P(¬C∣A)P(A)所以P(D∣A)=P(A)P(D∣BC)P(B∣A)P(C∣A)P(A)+P(D∣B¬C)P(B∣A)P(¬C∣A)P(A)+P(D∣¬BC)P(¬B∣A)P(C∣A)P(A)+P(D∣¬B¬C)P(¬B∣A)P(¬C∣A)P(A)=P(D∣BC)P(B∣A)P(C∣A)+P(D∣B¬C)P(B∣A)P(¬C∣A)+P(D∣¬BC)P(¬B∣A)P(C∣A)+P(D∣¬B¬C)P(¬B∣A)P(¬C∣A)
ANSWER:
2.不确定性的量化
某学校，所有的男生都穿裤子，而女生当中，一半穿裤子，一半穿裙子。男女比例70%的可能性是4:6，有20%可能性是1:1，有10%可能性是6:4，问一个穿裤子的人是男生的概率有多大？
解：裤子-Trousers；裙子-Skirt；男生-Man；女生-Woman；
已知：
- P(T|M)=1，P(T|W)=0.5，P(S|W)=0.5
- P(M/W=4/6)=0.7，P(M/W=1/1)=0.2，P(M/W=6/4)=0.1
求：P(M|T)
(1)错解1
P(M∣T)=P(T∣M)∗P(M)P(T)P(T)=P(T∣M)∗P(M)+P(T∣W)∗P(W)P(M|T)= \frac {P(T|M)*P(M)} {P(T)} \\ P(T)=P(T|M)*P(M)+P(T|W)*P(W)P(M∣T)=P(T)P(T∣M)∗P(M)P(T)=P(T∣M)∗P(M)+P(T∣W)∗P(W)P(M)=0.7∗0.4+0.2∗0.5+0.1∗0.6=0.44P(W)=0.7∗0.6+0.2∗0.5+0.1∗0.4=0.56P(M)=0.7*0.4+0.2*0.5+0.1*0.6=0.44 \\ P(W)=0.7*0.6+0.2*0.5+0.1*0.4=0.56P(M)=0.7∗0.4+0.2∗0.5+0.1∗0.6=0.44P(W)=0.7∗0.6+0.2∗0.5+0.1∗0.4=0.56P(T∣M)∗P(M)=1∗0.44=0.44P(T)=1∗0.44+0.5∗0.56=0.72P(M∣T)=0.440.72=0.611P(T|M)*P(M)=1*0.44=0.44 \\ P(T)=1*0.44+0.5*0.56=0.72 \\ P(M|T) = \frac {0.44} {0.72}=0.611P(T∣M)∗P(M)=1∗0.44=0.44P(T)=1∗0.44+0.5∗0.56=0.72P(M∣T)=0.720.44=0.611
(2)错解2
来源：QCNH雨文-人工智能作业三
(3)正解
来源：HNU岳麓山大小姐-人工智能导论：清览作业
①情况h1：男女比例4：6（P=0.7）
P1=P(M∣T)=P(T∣M)∗P(M)P(T)=1∗0.4P(T∣M)∗P(M)+P(T∣W)∗P(W)=0.41∗0.4+0.5∗0.6=47P_{1}=P(M|T)= \frac {P(T|M)*P(M)} {P(T)} \\ =\frac {1*0.4} {P(T|M)*P(M)+P(T|W)*P(W)} \\ = \frac {0.4} {1*0.4+0.5*0.6}=\frac {4} {7}P1=P(M∣T)=P(T)P(T∣M)∗P(M)=P(T∣M)∗P(M)+P(T∣W)∗P(W)1∗0.4=1∗0.4+0.5∗0.60.4=74
②情况h2：男女比例1：1（P=0.2）
P2=P(M∣T)=P(T∣M)∗P(M)P(T∣M)∗P(M)+P(T∣W)∗P(W)=1∗0.51∗0.5+0.5∗0.5=23P_{2}=P(M|T)=\frac {P(T|M)*P(M)} {P(T|M)*P(M)+P(T|W)*P(W)} \\ = \frac {1*0.5} {1*0.5+0.5*0.5}=\frac {2} {3}P2=P(M∣T)=P(T∣M)∗P(M)+P(T∣W)∗P(W)P(T∣M)∗P(M)=1∗0.5+0.5∗0.51∗0.5=32
③情况h3：男女比例6：4（P=0.1）
P3=P(M∣T)=P(T∣M)∗P(M)P(T∣M)∗P(M)+P(T∣W)∗P(W)=1∗0.61∗0.6+0.5∗0.4=34P_{3}=P(M|T)=\frac {P(T|M)*P(M)} {P(T|M)*P(M)+P(T|W)*P(W)} \\ = \frac {1*0.6} {1*0.6+0.5*0.4}=\frac {3} {4}P3=P(M∣T)=P(T∣M)∗P(M)+P(T∣W)∗P(W)P(T∣M)∗P(M)=1∗0.6+0.5∗0.41∗0.6=43
④MAP-极大后验概率
极大后验概率：选择概率最大的那个当作结果
hMAP=argmaxh∈HP(D∣h)P(h)=argmax{P1∗P(h1)，P2∗P(h2)，P3∗P(h3)}=argmax{47∗710，23∗210，34∗110}=argmax{410，430，340}=0.4h_{MAP}=arg \space max_{h∈H} P(D|h)P(h) \\ = arg \space max \{ P_{1}*P(h_{1})，P_{2}*P(h_{2})，P_{3}*P(h_{3}) \} \\ =arg\space max \{ \frac {4} {7}* \frac {7} {10}，\frac {2} {3}* \frac {2} {10}，\frac {3} {4}* \frac {1} {10} \} \\ = arg\space max \{ \frac {4} {10}，\frac {4} {30}，\frac {3} {40}\} = 0.4hMAP=arg maxh∈HP(D∣h)P(h)=arg max{P1∗P(h1)，P2∗P(h2)，P3∗P(h3)}=arg max{74∗107，32∗102，43∗101}=arg max{104，304，403}=0.4
ANSWER:
3.决策树
设样本集合如下表格，其中A、B、C是F的属性，请根据信息增益标准（ID3算法），画出F的决策树。
log2(2/3)=−0.5842log2(1/3)=−1.5850log2(3/4)=−0.41504log_{2} (2/3) = -0.5842 \\ log_{2} ( 1/3) = -1.5850 \\ log_{2} (3/4) = -0.41504log2(2/3)=−0.5842log2(1/3)=−1.5850log2(3/4)=−0.41504
ABCF0000001101000111100110111100
解：
①第一次分类
计算A、B、C的熵：
HA=47HA=0+37HA=1=−17(2∗log224+2∗log224+1∗log213+2∗log223)=0.965H_{A}=\frac {4} {7}H_{A=0}+\frac {3} {7}H_{A=1} \\ = -\frac {1} {7} (2*log_{2} \frac {2} {4}+2*log_{2} \frac {2} {4}+1*log_{2} \frac {1} {3}+2*log_{2} \frac {2} {3}) \\ = 0.965HA=74HA=0+73HA=1=−71(2∗log242+2∗log242+1∗log231+2∗log232)=0.965HB=47HB=0+37HB=1=−17(1∗log214+3∗log234+2∗log223+1∗log213)=0.857H_{B}=\frac {4} {7}H_{B=0}+\frac {3} {7}H_{B=1} \\ = -\frac {1} {7} (1*log_{2} \frac {1} {4}+3*log_{2} \frac {3} {4}+2*log_{2} \frac {2} {3}+1*log_{2} \frac {1} {3}) \\ = 0.857HB=74HB=0+73HB=1=−71(1∗log241+3∗log243+2∗log232+1∗log231)=0.857HC=47HC=0+37HC=1=−17(3∗log234+1∗log214+0∗log203+3∗log233)=0.464H_{C}=\frac {4} {7}H_{C=0}+\frac {3} {7}H_{C=1} \\ = -\frac {1} {7} (3*log_{2} \frac {3} {4}+1*log_{2} \frac {1} {4}+0*log_{2} \frac {0} {3}+3*log_{2} \frac {3} {3}) \\ = 0.464HC=74HC=0+73HC=1=−71(3∗log243+1∗log241+0∗log230+3∗log233)=0.464
属性C的熵最低，故选择C。
- C=1时：F=1，熵为0；【确定C的右子树】
- C=0时：对其4个例子再进行第二次分类：
②第二次分类（C=0）
HA=24HA=0+24HA=1=−14(2∗log222+0∗log202+1∗log212+1∗log212)=0.5H_{A}=\frac {2} {4}H_{A=0}+\frac {2} {4}H_{A=1} \\ = -\frac {1} {4} (2*log_{2} \frac {2} {2}+0*log_{2} \frac {0} {2}+1*log_{2} \frac {1} {2}+1*log_{2} \frac {1} {2}) \\ = 0.5HA=42HA=0+42HA=1=−41(2∗log222+0∗log220+1∗log221+1∗log221)=0.5HB=24HB=0+24HB=1=−14(1∗log212+1∗log212+2∗log222+0∗log202)=0.5H_{B}=\frac {2} {4}H_{B=0}+\frac {2} {4}H_{B=1} \\ = -\frac {1} {4} (1*log_{2} \frac {1} {2}+1*log_{2} \frac {1} {2}+2*log_{2} \frac {2} {2}+0*log_{2} \frac {0} {2}) \\ = 0.5HB=42HB=0+42HB=1=−41(1∗log221+1∗log221+2∗log222+0∗log220)=0.5
属性A/B的熵相同，故选择A/B均可。
如果选择A：
- A=0时：F=0，熵为0；【确定A的左子树】
- A=1时：对其2个例子再按照属性B分类；
如果选择B：
- B=1时：F=0，熵为0；【确定B的右子树】
- B=0时：对其2个例子再按照属性A分类；
③第三次分类（A=1）【决策树1】
HB=12HB=0+12HB=1=−12(0)=0H_{B}=\frac {1} {2}H_{B=0}+\frac {1} {2}H_{B=1} \\ = -\frac {1} {2} (0) = 0HB=21HB=0+21HB=1=−21(0)=0
其实到这里：
- B=0时：F=1，熵为0；【确定B的左子树】
- B=1时：F=0，熵为0；【确定B的右子树】；
④第三次分类（B=0）【决策树2】
HA=12HA=0+12HA=1=−12(0)=0H_{A}=\frac {1} {2}H_{A=0}+\frac {1} {2}H_{A=1} \\ = -\frac {1} {2} (0) = 0HA=21HA=0+21HA=1=−21(0)=0
其实到这里：
- A=0时：F=0，熵为0；【确定A的左子树】
- A=1时：F=1，熵为0；【确定A的右子树】；
ANSWER：
4.人工神经网络
阈值感知器可以用来执行很多逻辑函数，说明它对二进制逻辑函数与（AND）和或（OR）的实现过程。
(1)与（AND）
真值表
x1x2x1 AND x2000010100111阈值感知器（举例）
感知器算法
算法实现
（1）初始化 设定初始的权值w1,w2和阈值bias；
classPerceptron(object):def__init__(self, num, activator):'''初始化感知器，设置输入参数的个数，以及激活函数。激活函数的类型为double -> double'''self.activator = activator#权重向量初始化为 0self.weights =[0.0for _ inrange(num)]self.bias =0
- （2）计算激活函数值- 根据输入x1( p), x2( p),…, xn( p) 和权值w1,w2,…,wn计算输出Y( p)，其中p表示迭代的轮数
- 可以把下面的bias看做 -θ- activator即step函数
defpredict(self, input_vec):'''输入向量，输出感知器的计算结果'''# 利用map函数计算[x1*w1, x2*w2, x3*w3], 然后转化为列表# 最后利用 sum 求和return self.activator(sum(list(map(lambda x, y: x*y,self.weights, input_vec)))+ self.bias)#return self.activator(sum(tmp))
- （3）更新权值- 计算公式
- 实现def_update_weights(self, input_vec, output, label, rate):'''' 按照感知器规则，更新权重 ''' delta = label - output self.weights =list(map(lambda x, y: x + y*rate*delta, self.weights, input_vec )) self.bias += rate * delta - （4）迭代循环
def_one_iteration(self, input_vecs, labels, rate):'''一次迭代，把所有的训练数据过一遍'''# 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]# 而每个训练样本是(input_vec, label)samples =zip(input_vecs, labels)# 对于每个样本，按照感知器规则更新权重for input_vec, label in samples:output = self.predict(input_vec)self._update_weights(input_vec, output, label, rate)
- 完整实现
classPerceptron(object):def__init__(self, num, activator):'''初始化感知器，设置输入参数的个数，以及激活函数。激活函数的类型为double -> double'''self.activator = activator#权重向量初始化为 0self.weights =[0.0for _ inrange(num)]self.bias =0def__str__(self):'''打印学习到的权重、偏置项bias'''return'weight: %s\n bias: %f\n'%(self.weights, self.bias)def__print__(self):print('weight: %s\n bias: %f\n'%(self.weights, self.bias))defpredict(self, input_vec):'''输入向量，输出感知器的计算结果'''# 利用map函数计算[x1*w1, x2*w2, x3*w3], 然后转化为列表# 最后利用 sum 求和return self.activator(sum(list(map(lambda x, y: x*y,self.weights, input_vec)))+ self.bias)#return self.activator(sum(tmp))deftrain(self, input_vecs, labels, iterations, rate):'''输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率'''i=0for _ inrange(iterations):print("迭代次数：{}".format(i))i+=1self.__print__()self._one_iteration(input_vecs, labels, rate)def_one_iteration(self, input_vecs, labels, rate):'''一次迭代，把所有的训练数据过一遍'''# 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]# 而每个训练样本是(input_vec, label)samples =zip(input_vecs, labels)# 对于每个样本，按照感知器规则更新权重for input_vec, label in samples:output = self.predict(input_vec)self._update_weights(input_vec, output, label, rate)def_update_weights(self, input_vec, output, label, rate):''''按照感知器规则，更新权重'''delta = label - outputself.weights =list(map(lambda x, y: x + y*rate*delta,self.weights, input_vec))self.bias += rate * delta''''以下代码为实现 and 函数'''defactivate(x):if x >0:return1return0defget_train_dataset():#构建训练数据input_vecs =[[0,0],[0,1],[1,0],[1,1]]#训练数据labels =[0,0,0,1]#输出列表return input_vecs, labelsdeftrain_data():# 创建一个感知器perceptron = Perceptron(2, activate)input_vecs, labels = get_train_dataset()# 训练数据，然后迭代 20 轮，学习速率为 0.1perceptron.train(input_vecs, labels,20,0.1)return perceptronresult = train_data()print(result)#测试真值表print('1 and 1 = %d'% result.predict([1,1]))print('0 and 0 = %d'% result.predict([0,0]))print('1 and 0 = %d'% result.predict([1,0]))print('0 and 1 = %d'% result.predict([0,1]))
ANSWER：
(2)或（OR）
真值表
x1x2x1 OR x2000011101111阈值感知器- 设y=w1x1+w2x2+b，阈值函数用的Step函数-
- 与AND的实现类似：
classPerceptron(object):def__init__(self, num, activator):'''初始化感知器，设置输入参数的个数，以及激活函数。激活函数的类型为double -> double'''self.activator = activator#权重向量初始化为 0self.weights =[0.0for _ inrange(num)]self.bias =0def__str__(self):'''打印学习到的权重、偏置项bias'''return'weight: %s\n bias: %f\n'%(self.weights, self.bias)defpredict(self, input_vec):'''输入向量，输出感知器的计算结果'''# 利用map函数计算[x1*w1, x2*w2, x3*w3], 然后转化为列表# 最后利用 sum 求和return self.activator(sum(list(map(lambda x, y: x*y,self.weights, input_vec)))+ self.bias)#return self.activator(sum(tmp))deftrain(self, input_vecs, labels, iterations, rate):'''输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率'''for _ inrange(iterations):self._one_iteration(input_vecs, labels, rate)def_one_iteration(self, input_vecs, labels, rate):'''一次迭代，把所有的训练数据过一遍'''# 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]# 而每个训练样本是(input_vec, label)samples =zip(input_vecs, labels)# 对于每个样本，按照感知器规则更新权重for input_vec, label in samples:output = self.predict(input_vec)self._update_weights(input_vec, output, label, rate)def_update_weights(self, input_vec, output, label, rate):''''按照感知器规则，更新权重'''delta = label - outputself.weights =list(map(lambda x, y: x + y*rate*delta,self.weights, input_vec))self.bias += rate * delta''''以下代码为实现 and 函数'''defactivate(x):if x >0:return1return0defget_train_dataset():#构建训练数据input_vecs =[[0,0],[0,1],[1,0],[1,1]]#训练数据labels =[0,1,1,1]#输出列表return input_vecs, labelsdeftrain_data():# 创建一个感知器perceptron = Perceptron(2, activate)input_vecs, labels = get_train_dataset()# 训练数据，然后迭代 20 轮，学习速率为 0.1perceptron.train(input_vecs, labels,20,0.1)return perceptronresult = train_data()print(result)#测试真值表print('1 or 1 = %d'% result.predict([1,1]))print('0 or 0 = %d'% result.predict([0,0]))print('1 or 0 = %d'% result.predict([1,0]))print('0 or 1 = %d'% result.predict([0,1]))
ANSWER：
5.深度学习
深度学习的原理是什么？以一个典型的深度学习算法为例进行说明。
- 深度学习的原理- 深度学习是一种机器学习方法，它试图通过模拟人类大脑的神经网络结构来实现智能任务的自动化。- 其原理基于神经网络的概念，其中包含了多个层次的神经元，每一层都会对输入数据进行一系列非线性变换和特征提取，最终输出一个结果。
- 举例-卷积神经网络（Convolutional Neural Network，CNN）- 卷积层（Convolutional Layer）：CNN中的核心部分。 - 使用一组可学习的滤波器（也称为卷积核）对输入数据进行卷积操作。- 通过滑动窗口的方式在输入数据上进行滤波操作，提取输入数据中的特征。每个滤波器会检测输入数据中的某种特定模式或特征。- 激活函数（Activation Function）： - 卷积操作得到的结果会被输入到激活函数中，以引入非线性特性。- 常用的激活函数包括ReLU（Rectified Linear Unit）、Sigmoid、Tanh等，能在网络中引入非线性，使得神经网络能够学习到更加复杂的模式和特征。- 池化层（Pooling Layer）：减少特征图的空间尺寸，保留重要的特征信息。 - 常见的池化操作：最大池化（Max Pooling）和平均池化（Average Pooling）。- 通过减小特征图的尺寸，池化层能够降低模型的参数数量，提高模型的计算效率。- 全连接层（Fully Connected Layer）： - 经过一系列的卷积层和池化层之后，通常会将特征图展平为一维向量，并输入到全连接层中。- 全连接层中的每个神经元都与前一层中的所有神经元相连，它们通过学习权重来将高层的特征表示映射到输出类别。- 损失函数（Loss Function）：衡量模型的预测输出与真实标签之间的差异。 - 常见的损失函数：交叉熵损失函数（Cross-Entropy Loss）和均方误差损失函数（Mean Squared Error Loss）等。- 优化算法（Optimization Algorithm）：用于更新模型参数，使得损失函数的值尽可能地减小。 - 常用的优化算法包括随机梯度下降（Stochastic Gradient Descent，SGD）及其改进算法，如Adam、RMSProp等。
通过不断地反向传播误差并更新参数，深度学习模型能够逐渐优化自身的性能，从而实现对复杂数据的高效处理和学习。
本文转载自: https://blog.csdn.net/qq_62323523/article/details/138133618
版权归原作者 _蟑螂恶霸_ 所有， 如有侵权，请联系我们删除。
版权归原作者 _蟑螂恶霸_ 所有， 如有侵权，请联系我们删除。