电子书:《PaddlePaddle与深度学习应用实战》_程天恒_2018-06-01

[复制链接]
查看202 | 回复1 | 2019-12-13 15:05:21 | 显示全部楼层 |阅读模式

《PaddlePaddle与深度学习应用实战》_程天恒_2018-06-01_1

《PaddlePaddle与深度学习应用实战》_程天恒_2018-06-01_1

《PaddlePaddle与深度学习应用实战》_程天恒_2018-06-01_2

《PaddlePaddle与深度学习应用实战》_程天恒_2018-06-01_2

《PaddlePaddle与深度学习应用实战》_程天恒_2018-06-01_3

《PaddlePaddle与深度学习应用实战》_程天恒_2018-06-01_3


内容简介:

传播,违者自负法律
Ⅵ| PaddlePaddle与深度学习应用实战
49交叉熵损失函数
4.10 Huber损失函数
4.12CTC损失函数
4.13反向传播算法
第5章卷积神经网络
5.1卷积神经网络
5.3拓展
第6章循环神经网络
61RNN简介
62双向循环神经网络
63循环神经网络使用场景
64预测sin函数序列
6.5拓展
第7章 PaddlePaddle实乩
.2 Paddle Paddle实现自編码器
7.3实战OCR识别(
7.5情感分析
7.6Seqg2Seq及其应用
e ca
第8章
习新星:生成对抗网络GAN
成对抗网络(GAN)
8.2GAN的其他应用
第9章强化学习与 AlphaGo

权所有
传播,违者自负法律责任
第1章
度学习简介
1.1初见
016年4月, AlphaGo与韩guo顶尖棋手李世对战,最终 AlphaGo以4胜1平战胜了人
类,人工智能也因此成为科技界乃至整个社会的热点话题。2017年,CMU大学开发的“冷扑
大师”— Libratus
州扑克人工智能系
欠颠覆了AI在人们心中的地位。究竟是什
么支撑了人工智能,使其有如此高的智商与巨大的威力?
人工智能”可分为“人工”和“智能”两部分,由人工构建智能化系统,使其具有人类
样的智能性,如思考与学习能力等。这一概念早在计算机还未普及的时代就已由大师图灵提
出,后来诞生了一系列科幻小说等。现在,这一研究发展迅猛,在很多领域已开始普及应用。
说起当下的人工智能,就不得不提它背后的算法支持,即深度学习,以及深度学习的基码
机器学习。
1.2机器学习
知不觉,机器学习早已进入我们生活的各个角落。举个生活中的例子,我们每个月总会
收到几封广告之类的垃圾邮件,有些人甚至每天都会收到垃圾邮件,但我们使用的邮箱服务网
站一般都会帮我们将垃圾邮件筛选出来。因此,你可能会问,是不是有客服之类的人在后台帮
我们(违禁词语-已隐藏)?其实并不是,没有这么多的人力资源来完成这件事。垃圾邮件处理是计算机程序帮
我们完成的。它们的工作就是
邮件后,查看邮件内容,然后判断是否为垃圾邮件。这
和机器学习又有什么关系呢?这就关系到我们如何获得这个分类程序了。要想得到这个垃圾邮
件分类程序,就需要一些邮件数据(既含有垃圾邮件,又含有普通邮件)以及邮件的标记(标
记对应邮件是否为垃圾邮件),有了这些数据后,我们就可以通过算法来构建一个模型。例如
我们可以用获得的数据画一条线性回归曲线,有了新邮件之后,便可以通过这条曲线判断是否

权所有
传播,违者自负法律责任
2| PaddlePaddle与深度学习应用实战
为垃圾邮件,我们的模型通过“吃掉”数据来学习判断垃圾邮件,这就是机器学习。
综合来看,机器学习就是通过数据提取特征,然后结合学习算法来构建一个模型,这个模
型就是用来分类垃圾邮件的引擎,如图1.1所
数据
学习算法
机器学习是一个庞大的体系,其中囊括了众多学习算法,如贝叶斯分类、决策树、支持向
量机等,此外,机器学习与数学联系紧密,尤其是概率论和统计学
分类与回归。在生活中,很多问题可以看作分类( Classfication)问题或者回归
( Regression)问题,我们的大脑也无时无刻不在处理这些问题。例如,看书时,我们需要知道
这是一本什么书,是小说还是工具书。去动物园游玩时,我们每看到一种动物都会利用所看见
的内容,对眼前的动物进行分类。一般对于离散的问题,可以采取分类的方法,而连续的问题,
更多的是使用回归,如股票预测、温度预測等。
监督学习和无监督学习。机器学习在训练中可以分为监督学习( Supervised Learning)和
无監督学习( Unsupervised Learning)两种。监督学习是指训练模型时,我们除了提供输入数
据(X,还需要提供一个标准结果( Label),模型通过读取输入数据X进行预测得到一个预测
结果Y,然后对比 Label和y的差异,优化模型参数。监督学习可以想象为我们给机器提供
张图像,然后告诉它图像里有什么物体,机器就利用这种方式学习识别图像,随着样本数量增
多,训练迭代次数增长到一定数量之后,机器便能自主地识别物体,而不再需要标签。在机器
学习中,支持向量机、贝叶斯等算法都是基于监督学习的。而无监督学习与监督学习的最大区
别是,无监督学习不存在标签( Label),全靠输入去寻找特征,然后归类。聚类算法就是一种
无监督学习,即利用数据本身的特征进行归类,将相似的数据归为一类,将差别较大的数据分

传插,违者自负法律责任!
第1章深度学习简介
开。当然,机器学习中的无监督学习不只有聚类算法,还有很多其他的算法,在此就不一一介
绍了
1.3神经网络
神经网络( Neural Network)是机器学习的一个分支,起源于人们对生物体神经网络的认
知。生物神经网络由神经元、突触等结构组成,大量的神经元通过无数的突触连接可以构成
个大规模神经网络,能够处理人的思维和记忆,如图1.2所示
图1.2
人们通过模仿生物神经网络的工作原理构建了人工神经网络( Artificial Neural Network)
与生物神经网络相同,人工神经网络中也是先建立一些神经元模型,早期人们称之为感知机
( Perception),然后将所有的神经元模型连接起来,形成网络
人脑神经元结构如图1.3所示

4| PaddlePaddle与深度学习应用实战
人工神经元结构如图14所示
图1.4
人工神经元获取其他神经元提供的输入,对其加权求和,然后利用特定的激活函数去处理
求和结果以得到输出,然后将输出传递给下一层神经元
神经元的作用只是一个简单线性函数,而我们的神经网络就是将多个神经元组合起来
形成一层网络。单层神经网络支持高维度的输入和输出,同时也可以添加非线性函数来激活
在深入学习神经网络之前,让我们先来了解单个神经元的工作原理
设定输入为[x1,x2,x3,x4,其对应的权重为[w1,w2,w3,w4],如图1.5所


#############################################


回复

使用道具 举报

牵手看日落 | 2019-12-21 19:54:37 | 显示全部楼层
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则