深度學習導論 - 讀李宏毅《1天搞懂深度學習》

【雷課導讀】本文是2016 臺灣資料科學年會前導課程「一天搞懂深度學習」的全部講義PPT（共268頁），由臺灣大學電機工程學助理教授李宏毅主講。作者在文中分四個部分對神經網絡的原理、目前存在形態以及未來的發展進行了介紹。深度學習的每一個核心概念在文中都有相關案例進行呈現，不誇張地說，這是我看過最系統，也最通俗易懂的，關於深度學習的文章。一天的時間搞懂深度學習？其實並不是沒有可能。

原ppt網盤連結：https://pan.baidu.com/s/1kVy41wF 密碼:ra78

李宏毅教授一天學會深度學習心得（ppt簡化版的講解，建議剛接觸的可以先看看這個視頻）：

廢話少說，先上乾貨，整個PPT的思維導圖如下：

深度學習概論介紹深度學習

作者非常淺顯的指出機器（深度）學習過程非常簡單，分為定義方法、判斷方法的優劣、挑選出最佳的方法。

對於深度學習，首先第一步定義方法 - 神經網絡。深度學習顧名思義是指多層的神經網絡。

神經網絡的思想來源於對於人腦的生理上的研究，人腦由數億個神經元組成，神經元通過軸突互相連接通信。神經網絡和人腦類似，存在多個層級（layer），每個層級都有多個節點（神經元），層級和層級之間相互連接（軸突），最終輸出結果。

對於神經網絡的計算能力可以理解為通過一層層Layer的計算歸納，逐步的將抽象的原始數據變的具體。以圖片識別為例，輸入是一個個像素點，經過每層神經網絡，逐步變化成為線、面、對象的概念，然後機器有能力能夠識別出來。

 第二步，評估方法的優劣。

Loss function是用於評估方法優劣，通常我們用學習出來的參數對測試數據進行計算，得出對應的預測（y）然後和真實的測試數據的目標值（t）進行比對，y和t之間的差距往往就是Loss。那麼評估一個算法的好壞，就是要儘可能的降低Loss。

第三步，如何獲得最佳的學習方法

獲得最佳的學習是採用梯度下降算法，作者也提到梯度下降算法存在局部最優解的問題。人們往往認為機器無所不能，實際上更像是在一個地圖上面拓荒，對周邊一無所知。神經網絡計算梯度的算法是反向傳播算法，簡稱BP。

Why Deep？

作者首先指出越多的參數往往帶來越好的預測能力，所以神經網絡往往參數越多越好。那麼如果是同樣的參數情況下，為什麼層級較多的表現會更好呢？

作者認為深度網絡可以帶來模塊化的好處，隨著網絡的層級，神經網絡會將像素元素逐漸歸納出一些基本的特徵，進而變成紋理，進而變成對象。

訓練方法

作者總結下來訓練過程中會發現了兩種情況：

1. 沒有辦法得到很好的訓練結果 ---》 重新選擇訓練方式

2. 沒有辦法得到很好的測試結果 ---》 往往由於過度擬合導致，需要重新定義方法

優化訓練方法的手段：

1. 選擇合適的Loss function：使用Cross Entropy效果要優於Mean Square Error

2. Mini-batch: 每次訓練使用少量數據而不是全量數據效率更高

3. Activation Function：使用ReLU替代Sigmoid可以解決梯度消失的問題，可以訓練更深的神經網絡

4. Adaptive Learning Rate：可以隨著迭代不斷自我調整，提高學習效率

5. Momentum: 可以一定程度上避免陷入局部最低點的問題

避免過度擬合（overfitting）的方法：

1. Early Stopping：使用cross validation的方式，不斷對validation data進行檢驗，一旦發現預測精度下降則停止。

2. Weight Decay：參數正則化的一種方式？

3. Dropout：通過隨機去掉一些節點的連接達到改變網絡形式，所以會產生出多種網絡形態，然後匯集得到一個最佳結果

4. Network Structure: 例如CNN等其他形態的網絡

神經網絡變體Convolutional Neural Network (CNN)

通常情況下，一個CNN包含多次的卷積、池化，然後Flatten，最終再通過一個深度神經網絡進行學習預測。CNN在圖像、語音識別取得非常好的成績，核心的想法在於一些物體的特徵往往可以提取出來，並且可能出現在圖片的任何位置，而且通過卷積、池化可以大大減少輸入數據，加快訓練效率。

Recurrent Neural Network (RNN)

RNN的想法是可以將hidden layer的數據存儲下來，然後作為輸入給下一個網絡學習。這種網絡的想法可以解決自然語言中前後詞語是存在關聯性的，所以RNN可以把這些關聯性放到網絡中進行學習。

其他前沿技術

Ultra Deep Network：2015年出現了152層的Residual Net實現了圖片3.57%錯誤率

Reinforcement Learning: 通過獎勵機制強化學習，並且做出相應的動作

Unsupervised Learning:

1. Deep Style

2. 生成圖片

以上就是關於李宏毅教授《一天搞懂深度學習》PPT的引讀內容。

了解更多深度學習的前沿計算機學科諮詢請持續關注我們。

對深度學習培訓課程興趣的同學可以猛戳左下角「閱讀原文」進行了解。

聊天界面回復"視頻"，獲取關於深度學習更詳盡免費課程。