大牛推荐的入门用深度学习导论，刚拿到有点懵，第一次接触PPT类型的学习资料，但是耐心看下来收获还是很大的，适合我这种小白入门哈哈。

原PPT链接：http://www.slideshare.net/tw_dsconf/ss-62245351?qid=108adce3-2c3d-4758-a830-95d0a57e46bc&v=&b=&from_search=3

我也放到我的盘里啦：

链接：https://pan.baidu.com/s/13xTs4qJKv2Ere4CscCQeDw 密码：e2qg

 

PPT整体结构如下：

 

Lecture I：概论

1.介绍深度学习

深度学习过程大体分为三个步骤：（1）定义方法（2）判断方法优劣（3）选出最佳方法

 

（1）定义方法——神经网络

深度学习可以理解为多层的神经网络。神经网络的思想来源于对于人脑的生理上的研究，人脑由数亿个神经元组成，神经元通过轴突互相连接通信。神经网络和人脑类似，存在多个层级（layer），每个层级都有多个节点（神经元neuron），层级和层级之间相互连接（轴突），最终输出结果。

 

 

对于神经网络的计算能力可以理解为通过一层层Layer的计算归纳，逐步的将抽象的原始数据变的具体。以图片识别为例，输入是一个个像素点，经过每层神经网络，逐步变化成为线、面、对象的概念，然后机器有能力能够识别出来。

 

（2）判断方法优劣

首先准备待训练的数据和它们的标签，最终目标是由训练数据学习而来的。

我们用学习出来的参数对测试数据进行计算，得出对应的预测（y）然后和真实的测试数据的目标值（t）进行比对，y和t之间的差距往往就是Loss。

我们评估一个方法的好坏，就是看这个Loss是不是尽可能小。

 

 

（3）选出最佳方法

获得最佳的学习是采用梯度下降算法，作者也提到梯度下降算法存在局部最优解的问题，即找到一条最“陡峭”的路下山。人们往往认为机器无所不能，实际上更像是在一个地图上面拓荒，对周边一无所知。

神经网络计算梯度的算法是反向传播算法，简称BP。

 

2.Why Deep?

很显然，神经网络的参数越多，预测能力就越好。那么如果是同样的参数情况下，为什么层级较多的表现会更好呢？

 

作者认为深度网络可以带来模块化的好处，模块化是从数据中自动学习的。随着网络的层级变多，神经网络会将像素元素逐渐归纳出一些基本的特征，进而变成纹理，进而变成对象。

3.Keras

TensorFlow or Theano的接口。

 

 

Lecture II:训练方法

经过神经网络训练之后会发现两种问题：

1.训练结果很差→重新选择训练方式

2.测试结果很差→（往往由于过拟合导致）重新定义方法

 1.优化训练方法的手段：

（1）Choosing proper loss

选择合适的Loss function，使用Cross Entropy（交叉熵）效果要优于Mean Square Error（均方差）。

（2）Mini-batch

每次训练使用少量数据而不是全量数据效率更高。

（3）New activation function

使用ReLU（线性整流函数）替代Sigmoid可以解决梯度消失的问题，可以训练更深的神经网络。网络不是越深越好。

（4）Adaptive Learning Rate

可以随着迭代不断自我调整，提高学习效率。

（5）Momentum

可以一定程度上避免陷入局部最低点的问题。

 

 

2.避免过度拟合的方法

（1）Early Stopping

使用cross validation的方式，不断对validation data进行检验，一旦发现预测精度下降则停止。

（2）Regularization（Weight Decay）

　　参数正则化的一种方式。删除无用的联系。

（3）Dropout

通过随机去掉一些节点的连接达到改变网络形式，所以会产生出多种网络形态，然后汇集得到一个最佳结果。

（4）Network Structure

　　如CNN等其他形态的网络。

 

 

--------------------------------------------未完待续----------------------------------------------