上一节:
下一节:

  Keras - 深度学习概述

  • 简述

    深度学习是机器学习的一个不断发展的子领域。深度学习涉及逐层分析输入，其中每一层逐步提取有关输入的更高级别信息。
    让我们看一个分析图像的简单场景。让我们假设您的输入图像被划分为一个矩形像素网格。现在，第一层抽象了像素。第二层理解图像中的边缘。Next 层从边缘构造节点。然后，下一个将从节点中找到分支。最后，输出层将检测到完整的对象。在这里，特征提取过程从一层的输出进入下一层的输入。
    通过使用这种方法，我们可以处理大量的特征，这使得深度学习成为一个非常强大的工具。深度学习算法也可用于分析非结构化数据。让我们在本章中介绍深度学习的基础知识。

  • 人工神经网络

    深度学习最流行和主要的方法是使用“人工神经网络”（ANN）。它们的灵感来自于人脑模型，人脑是我们身体最复杂的器官。人脑由超过 900 亿个称为“神经元”的微小细胞组成。神经元通过称为“轴突”和“树突”的神经纤维相互连接。轴突的主要作用是将信息从一个神经元传输到与之相连的另一个神经元。
    同样，树突的主要作用是接收与其相连的另一个神经元的轴突传输的信息。每个神经元处理一个小信息，然后将结果传递给另一个神经元，这个过程继续进行。这是我们人类大脑用来处理大量信息（如语音、视觉等）并从中提取有用信息的基本方法。
    在此模型的基础上，心理学家弗兰克·罗森布拉特于 1958年发明了第一个人工神经网络（ANN）。人工神经网络由多个节点组成，类似于神经元。节点紧密互连并组织成不同的隐藏层。输入层接收输入数据，数据依次通过一个或多个隐藏层，最后输出层预测有关输入数据的有用信息。例如，输入可能是图像，输出可能是图像中标识的事物，例如“猫”。
    单个神经元（在 ANN 中称为感知器）可以表示如下 -
    人工神经网络
    说明
    • 多个输入以及权重代表树突。
    • 输入和激活函数的总和代表神经元。Sum实际上是所有输入的计算值，激活函数表示一个函数，它将Sum值修改为0、1或0到1。
    • 实际输出代表轴突，输出将被下一层的神经元接收。
    让我们在本节中了解不同类型的人工神经网络。

  • 多层感知器

    多层感知器是最简单的人工神经网络形式。它由一个输入层、一个或多个隐藏层和最后一个输出层组成。一个层由一组感知器组成。输入层基本上是输入数据的一个或多个特征。每个隐藏层由一个或多个神经元组成，处理特征的某些方面，并将处理后的信息发送到下一个隐藏层。输出层过程接收来自最后一个隐藏层的数据，最后输出结果。
    多层感知器

  • 卷积神经网络 (CNN)

    卷积神经网络是最流行的人工神经网络之一。广泛应用于图像和视频识别领域。它基于卷积的概念，一个数学概念。它几乎类似于多层感知器，只是它在全连接隐藏神经元层之前包含一系列卷积层和池化层。它具有三个重要层次 -
    • 卷积层- 它是主要的构建块，基于卷积函数执行计算任务。
    • 池化层- 它排列在卷积层旁边，用于通过删除不必要的信息来减小输入的大小，以便更快地执行计算。
    • 全连接层- 它被安排在一系列卷积和池化层旁边，并将输入分类为各种类别。
    一个简单的 CNN 可以表示如下 -
    cnn
    这里，
    • 使用了 2 系列卷积和池化层，它接收和处理输入（例如图像）。
    • 使用单个全连接层，用于输出数据（例如图像分类）

  • 递归神经网络 (RNN)

    循环神经网络 (RNN) 可用于解决其他 ANN 模型中的缺陷。嗯，大多数 ANN 不记得以前情况的步骤，而是学会了根据训练中的上下文做出决策。同时，RNN 存储过去的信息，它的所有决策都是从它从过去学到的东西中做出的。
    这种方法主要用于图像分类。有时，我们可能需要展望未来以修复过去。在这种情况下，双向 RNN 有助于从过去中学习并预测未来。例如，我们在多个输入中有手写样本。假设我们在一个输入中有混淆，那么我们需要再次检查其他输入以识别从过去做出决定的正确上下文。

  • 人工神经网络的工作流程

    让我们首先了解深度学习的不同阶段，然后了解 Keras 如何在深度学习过程中提供帮助。

    收集所需数据

    深度学习需要大量输入数据才能成功学习和预测结果。因此，首先要收集尽可能多的数据。

    分析数据

    分析数据并获得对数据的良好理解。选择正确的人工神经网络算法需要更好地理解数据。

    选择算法（模型）

    选择最适合学习过程类型（例如图像分类、文本处理等）和可用输入数据的算法。算法在 Keras 中由Model表示。算法包括一层或多层。ANN 中的每一层都可以用 Keras 中的Keras Layer来表示。
    • 准备数据- 仅从数据中处理、过滤和选择所需的信息。
    • 拆分数据- 将数据拆分为训练和测试数据集。测试数据将用于评估算法/模型的预测（一旦机器学习）并交叉检查学习过程的效率。
    • 编译模型- 编译算法/模型，以便通过训练进一步学习并最终进行预测。这一步需要我们选择损失函数和优化器。在学习阶段使用损失函数和优化器来查找误差（与实际输出的偏差）并进行优化，以使误差最小化。
    • 拟合模型- 实际学习过程将在此阶段使用训练数据集完成。
    • 未知值的预测结果 - 预测未知输入数据的输出（除了现有的训练和测试数据）
    • 评估模型- 通过预测测试数据的输出并将预测与测试数据的实际结果进行交叉比较来评估模型。
    • 冻结、修改或选择新算法- 检查模型评估是否成功。如果是，则保存算法以供将来预测之用。如果不是，则修改或选择新的算法/模型，最后再次训练、预测和评估模型。重复该过程，直到找到最佳算法（模型）。
    上述步骤可以使用下面的流程图表示 -
    人工神经网络
上一节:
下一节: