1. Deep-Learning-Konzept
1. Definition
Deep Learning löst Feature-Engineering-Probleme, indem mehrschichtige Netzwerkstrukturen trainiert werden, um Standortdaten zu klassifizieren oder zu regressieren.
2. Deep-Learning-Anwendungen
- Bildverarbeitung
- Spracherkennung
- Verarbeitung natürlicher Sprache
Auf dem mobilen Endgerät ist es nicht sehr gut. Der Rechenaufwand ist zu groß und die Geschwindigkeit kann langsam sein.
Zum Beispiel medizinische Anwendungen und automatische Farbgebung.
3. Beispiel
Die Hintergrunddominanz ist das größte Problem bei der Beurteilung von k-nächsten Nachbarn , da wir uns auf das Subjekt (die Hauptkomponente) konzentrieren.
2. Grundlagen neuronaler Netze
1. Lineare Funktion
Geben Sie beispielsweise ein Kätzchenbild über f (x, W) f(x, W) ein.f ( x ,W ) , um die Punktzahl für jede Kategorie zu erhalten:
f ( x , W ) f(x,W)f ( x ,Der Gewichtsparameter jedes Pixels in W ist
unterschiedlich: 10 1010 : 10 Kategorien
bbb : Offset-Term (Feinabstimmungsoperation)
www : Gewichtsparameter
2. Verlustfunktion
Strafterm der Regularisierung: Reduzieren Sie die Bedeutung eines bestimmten und herausragenden Merkmals. Verlustfunktion
= Datenverlust + Strafterm der Regularisierung
3. Softmax-Klassifikator
Wir konzentrieren uns auf den Wahrscheinlichkeitswert der Zugehörigkeit zur richtigen Kategorie. Je näher er an 1 liegt, desto geringer ist der Verlust. Daher wird die logarithmische Funktion zur Berechnung des Verlustwerts verwendet.
ex exe x p:exe^{x}ex Potenz, wird verwendet, um die Zuordnung zu vergrößern,
zu normalisieren, zu normalisierenn or mal l i ze : normalisiertes
L i L_iLich: Tatsächlicher Verlustwert