一、上周工作
完成毕设
二、本周计划
吴恩达的机器学习、实验-回顾之前密集连接部分,调整损失函数
三、完成情况
3.1 机器学习的两种主要类型:
- 监督学习(supervised learning)(实际中使用最多的):提供具有正确答案的数据来训练模型。是指学习x到y或输入到输出映射的算法。
-
监督学习主要有两种类型:
-
回归任务(regression algorithms):学会从无限多可能的数字中预测数字。模型可以输出++无限多可能的数字++
-
分类算法(classification algorithm):对一个类别做出预测,有++一小部分可能的产出++ 。
-
- 无监督学习(unsupervised learning):数据仅带有输入x而没有输出标签y。
- 无监督学习主要有三种类型:
- 聚类算法(clustering):他将相似的数据点组合在一起。这是一种无监督学习算法,++获取没有标签的数据++ 并尝试++自动将他们分组到集群中++ 。
- 异常检测(Anomaly detection):用于检测异常事件。
- 降维(Dimensionality reduction):这使你可以将一个大数据集神奇地压缩成一个小得多的数据集,同时丢失尽可能少的信息。
3.2 代价函数与损失函数之间的差异:
- 代价函数(Cost Function):用于衡量模型在所有样本上的平均表现。范围:在整个训练集上的,是所有样本误差的平均,即损失函数的平均。
- 损失函数(Loss Function):用于衡量模型在每个单独样本上的表现。范围:在单个样本上的,计算的是一个样本的误差。
3.3 通过视频中的例子,对梯度下降有了更深刻的理解。
梯度下降是一种可用于尝试最小化任何函数的算法。
- 首先要做的只是从对w和b进行一些初始猜测。在线性回归中,初始值是多少并不重要。所以一个常见的选择是将它们都设置为0。
- 使用梯度下降算法,你要做的是,每次都稍微改变参数w和b,以尝试降低w和b的成本J,直到J稳定在或接近最小值。
梯度下降的两个关键:
- 导数
- 学习率
-
学习率太小------梯度下降会起作用,虽然降低了成本函数J,但下降速度非常慢。
-
学习率太大------可能会离最小值越来越远。
-
3.4 数学表达式
符号表、集合、向量、矩阵
3.5 实验------未完待续
浅层有些就没有反演好
------分阶段
第一个网络-专门反演浅层,把浅层权值变大如系数2,深层权值变小如系数0.1
第二个网络-中间
第三个网络-深层,把深层权值变大
代码中如何实现?------后续
四、存在问题及解决
1.在之前的实验和学习中,仅了解损失函数
成本函数和损失函数?------上一节已阐述
2.成本函数非凸,会产生多个局部最优解,因此引入损失函数,并对其求平均值,可以使成本函数变凸?还不太理解为什么
五、下一步计划
继续吴恩达机器学习
如何实现分阶段反演,调整损失函数