Kezdő megjegyzések a mély tanuláshoz

A mély tanulás ismét egy olyan kifejezés, amelyet az emberek gyakran összetévesztenek és felcserélhetően használnak másokkal, bár deep learning refers to training the Neural Networks.

Mi az a neurális hálózat?

Egy Neural Network is a series of algorithms, amely megpróbálja felismerni a bemeneti adatok mögöttes összefüggést, akárcsak az emberi agy. Ily módon a neurális hálózatok a systems of neurons-ra utalnak, akár szerves, akár mesterséges természetű. A neurális hálózatok alkalmazkodni tudnak a változó bemenetekhez; így a hálózat a lehető legjobb eredményt hozza létre anélkül, hogy újra kellene tervezni a kimeneti feltételeket.

A neurális hálózatok a series of algorithms igyekeznek felismerni a underlying relationship bemeneti adatok között, ahogy az emberi agy teszi.

A legkisebb neurális hálózatnak lehet egy neuronja, egy bemenete (x) és egy kimenete (y).
Az itt található neuron: computing unit,amely bemenetet vesz és kimenetet ad vissza.

A input layer(x) és output layer(y) közötti neuronrétegek hidden layers, néven ismertek, és az ezekben a rejtett rétegekben lévő neuronok mindegyike hidden unit.ezek a rejtett egységek mindegyike bemenetet fogad az összes input features(x).

Az NN legtöbb lenyűgöző alkalmazása a „felügyelt tanulásból” származik, a inputs típusok alapján különböző NN-ek létezhetnek, például Ad or user info Standard NN,a images esetében a CNN,t használjuk sequential dataA hanghoz és a természetes nyelvhez hasonlóan RNN,képként és radarinformációként is bevihető, ami néha összetettebb is lehet custom made/hybrid NN architecture.

A fenti képre hivatkozva rövid magyarázatot kaptak az összes NN architektúrára..!

Strukturált vs strukturálatlan adatok

A hagyományos tanulási algoritmusoknál, mint a SVM és Logistic regression, amikor az adatok növelik, az algoritmus teljesítménye növekszik, de a platók, ahogyan tovább nő. És mivel sokkal inkább digitálissá váltunk, és szinte mindenhol bevezettük az IOT-t, az elmúlt 20 évben az adatok nagymértékben emelkedtek. És ezért szükségünk volt egy learning algorithm that could give more performance with respect to rising data-re, és ehhez van Deep learning.

azaz larger the NN van a amount of data-el, a better a mi performance lenne.

Bár smaller training set(the amount of data) számára a dolgok not certain és inkább attól függnek, hogy egyesek számára milyen funkciókat kapnak a bemeneti adatok, még SVM is jobb lehet, mint NNs.

Az elmúlt néhány évben nem csak added up the data, hanem nyertünk is much more computation ability, és ami még fontosabb, hatalmasat algorithmic innovation nyertünk az elmúlt években.

Az egyik áttörés a Sigmoid-ról ReLu-ra való váltás. A ReLu függvény sokkal gyorsabbá tette az olyan algoritmusokat, mint a gradient descent, mivel a szigmoid eléri a 0-t, és a gradiens alkalmazása egy ilyen értékre lassítja és több időt vesz igénybe.

Az ilyen algoritmikus újítások és a számítási megvalósíthatóság hatása sokkal nagyobb a vártnál, mivel ez a tanulási megközelítés általában iterative, akkor train a model, akkor kap egy better idea, kódol és again train a model, és ha sok időt vesz igénybe egy modell betanítása iteratív folyamat sok lesz much more time and computation expensive . Kevesebb edzési időért megteheti a more experiments-t, és találhat egy olyan modellt, amely jobban működik egy alkalmazáshoz. Ez áldás volt az új tanulási algoritmusok megújításában.

Logisztikus regresszió

Ez egy algorithm for binary classification, nézzünk át néhány jelölést, mielőtt belemennénk,

Így néz ki egy training pair példa (x, y), ahol x ∈

y ∈ {0,1}

mintha 64 x 64 pixeles színes képekről beszélnénk, először feature vector X képpé kell konvertálni a képet, logisztikus regressziót kell végrehajtani rajta, tehát itt a bemeneti jellemzők nₓ = 64 x 64 x 3 =12288 3 itt az RGB csatorna, vagyis a képünk mélysége .

A logisztikus regresszió hasznos a bináris osztályozáshoz, mivel megadja a kimenet valószínűségét, ha X jellemzővektort adunk.
yˆ= P(y=1|X) , itt yˆ a kimenet valószínűsége y .

A logisztikus regresszió paraméterei::

A Sigmoid alapvetően átskálázza az értéket 0-ra és 1-re

Ha a kimenet negatívabbra megy, akkor az érték közelebb kerül a 0-hoz, pozitívabb érték esetén pedig inkább az 1-hez.

A Sigmoid és a Softmax függvények hasonlónak tűnhetnek, de különböznek,

Összegzés:

Veszteség funkció

megtehetnénk az MSE-t (Mean Squared Error), mint a lineáris regresszióban, de ha ezt itt megtesszük, akkor egy nem konvex függvényt kapnánk, ami több minimumhoz vezetne, és ezért nem a legoptimálisabb megoldás. .

Költségfüggvény (J)

Mivel az elveszett funkció egyetlen edzési példa alapján lett definiálva, ez azt mutatja meg, hogy milyen jól teljesít az egyes edzési példákon.
Annak mérésére, hogy mennyire teljesít a teljes edzés során. állítsa be a költségfüggvényt,

Bővebben tájékoztatok róla, ha kétségei vannak, forduljon a Harshit Jainhez – LinkedIn: Harshit Jain

Ne felejtsen el tapsolni👏👏 ehhez a cikkhez, ha hasznosnak találja.