深度神经网络

深度神经网络

  1. 这是一个深度神经网络

    用 L = 4 L=4 L=4 表示神经网络层数,用 n [ l ] n^{[l]} n[l] 表示第 l l l 层神经元数量,有 n [ 1 ] = n [ 2 ] = 5 n^{[1]}=n^{[2]}=5 n[1]=n[2]=5, n [ 3 ] = 3 n^{[3]}=3 n[3]=3, n [ 4 ] = n [ L ] = 1 n^{[4]}=n^{[L]}=1 n[4]=n[L]=1, n [ 0 ] = n x = 3 n^{[0]}=n_x=3 n[0]=nx=3。

    对于前向传播有:

    z [ l ] = ω [ l ] a [ l − 1 ] + b [ l ] a [ l ] = g [ l ] ( z [ l ] ) z^{[l]}=\omega^{[l]}a^{[l-1]}+b^{[l]} \\ a^{[l]}=g^{[l]}(z^{[l]}) z[l]=ω[l]a[l−1]+b[l]a[l]=g[l](z[l])

    向量化实现:

    Z [ l ] = ω [ l ] A [ l − 1 ] + b [ l ] A [ l ] = g [ l ] ( Z [ l ] ) Z^{[l]}=\omega^{[l]}A^{[l-1]}+b^{[l]} \\ A^{[l]}=g^{[l]}(Z^{[l]}) Z[l]=ω[l]A[l−1]+b[l]A[l]=g[l](Z[l])

    前向传播需要输入 A [ l − 1 ] A^{[l-1]} A[l−1] ,输出 A [ l ] A^{[l]} A[l],缓存 Z [ l ] Z^{[l]} Z[l], ω [ l ] \omega^{[l]} ω[l], b [ l ] b^{[l]} b[l]。

    对于反向传播有:

    d z [ l ] = d a [ l ] ∗ g [ l ] ′ ( z [ l ] ) d w [ l ] = d z [ l ] ⋅ a [ l − 1 ] d b [ l ] = d z [ l ] d a [ l − 1 ] = w [ l ] T ⋅ d z [ l ] d z [ l ] = w [ l + 1 ] T d z [ l + 1 ] ⋅ g [ l ] ′ ( z [ l ] ) d{{z}^{[l]}}=d{{a}^{[l]}}*{{g}^{[l]}}'( {{z}^{[l]}}) \\ d{{w}^{[l]}}=d{{z}^{[l]}}\cdot{{a}^{[l-1]}} \\ d{{b}^{[l]}}=d{{z}^{[l]}} \\ d{{a}^{[l-1]}}={{w}^{\left[ l \right]T}}\cdot {{dz}^{[l]}} \\ d{{z}^{[l]}}={{w}^{[l+1]T}}d{{z}^{[l+1]}}\cdot \text{ }{{g}^{[l]}}'( {{z}^{[l]}}) dz[l]=da[l]∗g[l]′(z[l])dw[l]=dz[l]⋅a[l−1]db[l]=dz[l]da[l−1]=w[l]T⋅dz[l]dz[l]=w[l+1]Tdz[l+1]⋅ g[l]′(z[l])

    向量化实现:

    d Z [ l ] = d A [ l ] ∗ g [ l ] ′ ( Z [ l ] ) d ω [ l ] = 1 m d Z [ l ] A [ l − 1 ] T d b [ l ] = 1 m ∑ d Z [ l ] d A [ l − 1 ] = ω [ l ] T d Z [ l ] d{{Z}^{[l]}}=d{{A}^{[l]}}*{{g}^{\left[ l \right]}}'\left({{Z}^{[l]}} \right) \\ d{{\omega}^{[l]}}=\frac{1}{m}\text{}d{{Z}^{[l]}}{{A}^{\left[ l-1 \right]T}} \\ d{{b}^{[l]}}=\frac{1}{m}\sum d{Z}^{[l]} \\ d{{A}^{[l-1]}}={{\omega}^{\left[ l \right]T}}d{{Z}^{[l]}} dZ[l]=dA[l]∗g[l]′(Z[l])dω[l]=m1dZ[l]A[l−1]Tdb[l]=m1∑dZ[l]dA[l−1]=ω[l]TdZ[l]

    dbl = 1. / m * np.sum(dZl, axis=1, keepdims=True)

    反向传播需要输入 d A [ l ] dA^{[l]} dA[l]和缓存的数据,输出 d ω [ l ] d\omega^{[l]} dω[l], d b [ l ] db^{[l]} db[l]和 d A [ l − 1 ] dA^{[l-1]} dA[l−1]。

  2. 当实现深度神经网络的时候,一个常用的检查代码是否有错的方法就是过一遍算法中矩阵的维数。

    ω [ l ] ∈ R n [ l ] × n [ l − 1 ] A [ l − 1 ] ∈ R n [ l − 1 ] × m b [ l ] ∈ R n [ l ] × m Z [ l ] = ω [ l ] A [ l − 1 ] + b [ l ] Z [ l ] ∈ R n [ l ] × m A [ l ] ∈ R n [ l ] × m A [ l ] = g [ l ] ( Z [ l ] ) \omega^{[l]} \in \mathbb{R}^{n^{[l]}\times n^{[l-1]}} \quad A^{[l-1]}\in \mathbb{R}^{n^{[l-1]}\times m} \quad b^{[l]}\in \mathbb{R}^{n^{[l]\times m}}\\ Z^{[l]}=\omega^{[l]}A^{[l-1]}+b^{[l]} \\ Z^{[l]} \in \mathbb{R}^{n^{[l]\times m}}\quad A^{[l]}\in \mathbb{R}^{n^{[l]\times m}}\\ A^{[l]}=g^{[l]}(Z^{[l]}) ω[l]∈Rn[l]×n[l−1]A[l−1]∈Rn[l−1]×mb[l]∈Rn[l]×mZ[l]=ω[l]A[l−1]+b[l]Z[l]∈Rn[l]×mA[l]∈Rn[l]×mA[l]=g[l](Z[l])

    d A [ l ] ∈ R n [ l ] × m Z [ l ] ∈ R n [ l ] × m d Z [ l ] = d A [ l ] ∗ g [ l ] ′ ( Z [ l ] ) d Z [ l ] ∈ R n [ l ] × m A [ l − 1 ] ∈ R n [ l − 1 ] × m d ω [ l ] ∈ R n [ l ] × n [ l − 1 ] d ω [ l ] = 1 m d Z [ l ] A [ l − 1 ] T d b [ l ] ∈ R n [ l ] × 1 d b [ l ] = 1 m ∑ d Z [ l ] ω [ l ] ∈ R n [ l ] × n [ l − 1 ] d Z [ l ] ∈ R n [ l ] × m d A [ l − 1 ] ∈ R n [ l − 1 ] × m d A [ l − 1 ] = ω [ l ] T d Z [ l ] dA^{[l]} \in \mathbb{R}^{n^{[l]}\times m} \quad Z^{[l]} \in \mathbb{R}^{n^{[l]}\times m}\\ d{{Z}^{[l]}}=d{{A}^{[l]}}*{{g}^{\left[ l \right]}}'\left({{Z}^{[l]}} \right) \\dZ^{[l]}\in \mathbb{R}^{n^{[l]}\times m}\quad A^{[l-1]}\in \mathbb{R}^{n^{[l-1]}\times m} \quad d\omega^{[l]} \in \mathbb{R}^{n^{[l]}\times n^{[l-1]}}\\ d{{\omega}^{[l]}}=\frac{1}{m}\text{}d{{Z}^{[l]}}{{A}^{\left[ l-1 \right]T}} \\ db^{[l]}\in \mathbb{R}^{n^{[l]}\times1}\\ d{{b}^{[l]}}=\frac{1}{m}\sum d{Z}^{[l]} \\ \omega^{[l]} \in \mathbb{R}^{n^{[l]}\times n^{[l-1]}}\quad dZ^{[l]}\in \mathbb{R}^{n^{[l]}\times m} \quad dA^{[l-1]}\in \mathbb{R}^{n^{[l-1]}\times m}\\d{{A}^{[l-1]}}={{\omega}^{\left[ l \right]T}}d{{Z}^{[l]}} dA[l]∈Rn[l]×mZ[l]∈Rn[l]×mdZ[l]=dA[l]∗g[l]′(Z[l])dZ[l]∈Rn[l]×mA[l−1]∈Rn[l−1]×mdω[l]∈Rn[l]×n[l−1]dω[l]=m1dZ[l]A[l−1]Tdb[l]∈Rn[l]×1db[l]=m1∑dZ[l]ω[l]∈Rn[l]×n[l−1]dZ[l]∈Rn[l]×mdA[l−1]∈Rn[l−1]×mdA[l−1]=ω[l]TdZ[l]

  3. 深度神经网络通过多层的隐藏单元逐步从输入数据中提取特征。每一层的神经元负责学习不同级别的特征,随着层数的增加,网络可以逐步从简单的局部特征(如图像中的边缘)学习到更复杂的全局特征(如面部各个部位或对象的整体结构)。

    在人脸检测中,网络的逐层学习过程:

    1. 第一层(低级特征探测)
      在输入层之后,第一层的神经元主要负责捕捉输入数据中的低级特征。例如,在图像处理中,第一层的神经元可以学习到图像中的边缘(如垂直或水平的边缘)。这类似于你提到的"边缘探测器"或"特征探测器"。
    2. 中间层(组合低级特征):
      后续的层开始将这些低级特征组合成更复杂的局部特征。例如,第二层或第三层的神经元可能将边缘结合起来,识别图像中的某些面部特征,如眼睛、鼻子等。这些层捕捉的是数据的"中级特征"。
    3. 高层(高级特征和全局理解)
      在深层的网络中,神经元将前面学到的局部特征组合起来,形成对整个对象的理解。在人脸识别任务中,这些层可能将眼睛、鼻子、嘴巴等组合起来,最终识别出整张面部图像。

    在网络中,深度 指的是神经网络的层数。更深的网络可以捕捉到更多的层级特征,逐步构建出复杂的表示。宽度指的是每一层的神经元数量。在深层网络中,层数相对较多,但每一层的神经元数量相对较少;如果要用浅层网络来模拟深层网络,通常需要大幅增加每一层的神经元数量,甚至达到指数级增长。

    深度神经网络的强大之处在于它可以从简单的特征(如边缘)开始,逐层学习到更复杂的模式。通过这种逐步的特征提取,网络能够有效地解决复杂的任务,如人脸识别、语音识别等。

  4. 在机器学习中,超参数是指那些在训练过程中不能通过模型自我学习得到的参数,而是由开发者手动设置的参数。这些参数的选择对模型的性能有重要影响。常见的超参数包括:

    • 学习率 (Learning Rate):决定每次参数更新的幅度。如果学习率过高,模型可能会错过最优解;如果学习率过低,模型可能会收敛过慢。
    • 梯度下降法的循环轮数 (Epochs):指模型训练时完整遍历数据集的次数。更多的训练轮数通常有助于提高模型的准确度,但也可能导致过拟合。
    • 隐藏层数目 (Number of Hidden Layers):决定了神经网络的深度。更深的网络可以学习更复杂的特征,但也可能增加计算复杂度和过拟合的风险。
    • 每层神经元的数量 (Number of Neurons in Each Layer):影响每层的表示能力。更多的神经元可以增强模型的表达能力,但也增加了计算量和可能的过拟合问题。
    • 激活函数 (Activation Function):决定了每一层神经元输出的非线性特征。常见的激活函数包括ReLU、Sigmoid、Tanh等,选择合适的激活函数有助于网络的有效学习。

    这些超参数通常是通过手动设置的,并且会影响到模型的训练效果和最终的性能,因此它们被称作超参数。

  5. 寻找超参数的最优值通常不是通过简单的公式计算得到,而是依赖于大量的实验和调试。一般来说,超参数优化的过程可以概括为一个 Idea --- Code --- Experiment --- Idea 的迭代循环。

    • Idea:根据问题的需求和经验,提出一组超参数的初步选择。比如选择合适的学习率、隐藏层数、激活函数等。
    • Code:根据初步的超参数选择,编写和实现模型。
    • Experiment:运行模型并观察它的表现,通常通过验证集上的性能来衡量模型是否有效。根据实验结果,你可能会发现模型没有达到预期的效果,或者存在过拟合、欠拟合等问题。
    • Idea:根据实验结果调整超参数。可能是尝试不同的学习率、增加或减少隐藏层数量、选择不同的激活函数等,以改善模型的性能。

    然后再进入下一轮循环。每一轮的实验和反馈都帮助你更精确地选择最优的超参数组合。

    在实践中,为了高效寻找最优的超参数组合,可以使用一些自动化的方法,比如:

    • 网格搜索 (Grid Search):通过穷举不同超参数的所有可能组合,找到最优的超参数。
    • 随机搜索 (Random Search):在超参数的空间内随机选择组合,进行多次实验,虽然可能不如网格搜索精确,但计算成本较低。
    • 贝叶斯优化 (Bayesian Optimization):使用概率模型来选择超参数,逐步调整以优化目标函数,通常能在较少的实验次数内找到好的超参数。
  6. 在计算前向传播时,我们需要使用for循环计算1到L层,要记住range是左开右闭区间。

    for i in range(1, L+1)

相关推荐
人类群星闪耀时10 分钟前
大模型技术优化负载均衡:AI驱动的智能化运维
运维·人工智能·负载均衡
编码小哥10 分钟前
通过opencv加载、保存视频
人工智能·opencv
发呆小天才O.oᯅ17 分钟前
YOLOv8目标检测——详细记录使用OpenCV的DNN模块进行推理部署C++实现
c++·图像处理·人工智能·opencv·yolo·目标检测·dnn
lovelin+v1750304096639 分钟前
智能电商:API接口如何驱动自动化与智能化转型
大数据·人工智能·爬虫·python
rpa_top40 分钟前
RPA 助力电商:自动化商品信息上传,节省人力资源 —— 以影刀 RPA 为例【rpa.top】
大数据·前端·人工智能·自动化·rpa
视觉语言导航1 小时前
arXiv-2024 | STMR:语义拓扑度量表示引导的大模型推理无人机视觉语言导航
人工智能·具身智能
咯咯咯伦1 小时前
AI神了,一键视频下载+翻译+配音+字幕!(整合包)
人工智能
愚者大大2 小时前
优化算法(SGD,RMSProp,Ada)
人工智能·算法·机器学习
人类群星闪耀时2 小时前
基于AI的网络流量分析:构建智能化运维体系
运维·人工智能