电子书：《paddlepaddle与深度学习应用实战》_程天恒_2018-06-01《paddlepaddle与深度学习应用实战》_程天恒_20180601
111
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
#############################################
