第6课:走起-深度学习

第6课:走起-深度学习

ID:32290352

大小:4.51 MB

页数:30页

时间:2019-02-02

第6课:走起-深度学习_第1页
第6课:走起-深度学习_第2页
第6课:走起-深度学习_第3页
第6课:走起-深度学习_第4页
第6课:走起-深度学习_第5页
资源描述:

《第6课:走起-深度学习》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、⾛起~深度学习Kaggle项⽬班七月在线加号微博:@翻滚吧_加号2017年1月⽬录■记忆里的过去■RNN■LSTM■眼前的五光十色■图片特征■CNN七月在线:Kaggle项目班2julyedu.com普通神经网络七月在线:Kaggle项目班3julyedu.comRNNRNN的目的是让有sequential关系的信息得到考虑。什么是sequential关系?就是信息在时间上的前后关系。相比于普通神经网络:七月在线:Kaggle项目班4julyedu.comRNN每个时间点中的S计算这个神经元最终的输出,基于最后一个S简单来说

2、,对于t=5来说,其实就相当于把一个神经元拉伸成五个换句话说,S就是我们所说的记忆(因为把t从1-5的信息都记录下来了)七月在线:Kaggle项目班5julyedu.com记忆由前文可见,RNN可以带上记忆。假设,一个『生成下一个单词』的例子:『这顿饭真好』——>『吃』很明显,我们只要前5个字就能猜到下一个字是啥了However,如果我问你,『穿山甲说了什么?』你能回答嘛?(creditto暴走漫画)七月在线:Kaggle项目班6julyedu.comLSTMRNN七月在线:Kaggle项目班7julyedu.comLSTM

3、LSTM中最重要的就是这个CellState,它一路向下,贯穿这个时间线,代表了记忆的纽带。它会被XOR和AND运算符搞一搞,来更新记忆而控制信息的增加和减少的,就是靠这些阀门:Gate阀门嘛,就是输出一个1于0之间的值:1代表,把这一趟的信息都记着0代表,这一趟的信息可以忘记了七月在线:Kaggle项目班8julyedu.comLSTM下面我们来模拟一遍信息在LSTM里跑跑~第一步:忘记门来决定我们该忘记什么信息它把上一次的状态ht-1和这一次的输入xt相比较通过gate输出一个0到1的值(就像是个activationfu

4、nction一样),1代表:给我记着!0代表:快快忘记!七月在线:Kaggle项目班9julyedu.comLSTM第二步:记忆门哪些该记住这个门比较复杂,分两步:第一步,用sigmoid决定什么信息需要被我们更新(忘记旧的)第二部,用Tanh造一个新的CellState(更新后的cellstate)七月在线:Kaggle项目班10julyedu.comLSTM第三步:更新门把老cellstate更新为新cellstate用XOR和AND这样的门来更新我们的cellstate:七月在线:Kaggle项目班11julyedu.

5、comLSTM第四步:输出门由记忆来决定输出什么值我们的CellState已经被更新,于是我们通过这个记忆纽带,来决定我们的输出:(这里的Ot类似于我们刚刚RNN里直接一步跑出来的output)七月在线:Kaggle项目班12julyedu.com案例题目原型:What’sNext?可以用在不同的维度上:维度1:下一个字母是什么?七月在线:Kaggle项目班13julyedu.com案例维度2:下一个单词是什么?七月在线:Kaggle项目班14julyedu.com案例维度3:下一个句子是什么?七月在线:Kaggle项目班1

6、5julyedu.com案例维度N:下一个图片/音符/….是什么?七月在线:Kaggle项目班16julyedu.com代码【详见课程相应的iPythonNotebook】七月在线:Kaggle项目班17julyedu.com图片的特征跟文本一样,图片也有特征,因为图片本身可以表示成一个矩阵,我们对图片的特征计算/创造/统计也会更加直观,包括:SIFT,HOG,LBP,Haar,等等等等基本就是把图片中的颜色,形状,深浅,等等信息各种组合我们直接看一个案例:【详见相关iPythonNotebook】七月在线:Kaggle项目

7、班18julyedu.com深度学习应用于图片鉴于时间关系,我们不深展开图片特征提取的各种算法。大家都知道,深度学习的意义就在于,不依靠人为创造的特征,而是让机器自己去学特征。七月在线:Kaggle项目班19julyedu.comCNN七月在线:Kaggle项目班20julyedu.comCNN什么是卷积七月在线:Kaggle项目班21julyedu.comCNN七月在线:Kaggle项目班22julyedu.comCNN七月在线:Kaggle项目班23julyedu.com七月在线:Kaggle项目班24julyedu.c

8、omCNN七月在线:Kaggle项目班25julyedu.comCNNPooling七月在线:Kaggle项目班26julyedu.comCNN两种Pooling方式:MaxPoolingAveragePooling七月在线:Kaggle项目班27julyedu.comCNN综合成一个模型

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。