最近公司没项目,就看自己了解下人工智能,看了一些资料,觉得
https://blog.csdn.net/jiangjunshow/article/details/77711593
<https://blog.csdn.net/jiangjunshow/article/details/77711593>写的挺好懂的,自己又总结了下:

 

怎么实现人工智能:

实现人工智能的方法有很多种,当前最热门的一种就是通过深度学习来训练神经网络

    

什么是神经网络:

     根据https://blog.csdn.net/jiangjunshow/article/details/77368314
<https://blog.csdn.net/jiangjunshow/article/details/77368314>
所说有点像灰色系统,也有点像线性回归,通过一对对xy(x+中间算法-->y)值来完善中间算法,使其输入x值后,结果越来越接近y值

 

什么是监督学习型神经网络:

有xy值的就是监督学习型神经网络,而只有x值没有y值的就是无监督学习,也称聚类算法

 

什么是深度学习火起来:

    深度学习主要依赖数据、算法、计算力。随着互联网的发展,数据信息变得更加庞大,电脑的普及,也使得计算力越来越强,以及一些算法的优化,是的算法越来越成熟

 

如何将待遇测数据输入到神经系统中:

以一张64*64像素的照片为例,如下图,想要判断图片有没有猫,结果只有两个,有或没有,由于任何颜色都可以由红色、
绿色、蓝色构成,所以图一可以看成是3张64*64维数的颜色表组成(一个像素就是一个颜色点,一个颜色点由红绿蓝三个值来表示,例如红绿蓝分别是255,255,255,那么这个颜色点就是白色),则x就可以看成一个n*1或者1*n维数的向量,n=64*64*3

 



神经网络系统是如何进行预测的:

    逻辑回归(logistics regression)





W1表示x1的权重,b可以理解为一个阀值

 

σ,它代表了sigmoid函数, sigmoid函数的作用就是把计算结果转换为0和1之间值(因为我们的结果只有两个,有或没有,也就是1或0
,因此我们的结果要控制在1根0之间,越接近1表示预测越准确)





 

神经网络如何判断自己预测得是否准确:

损失函数(loss function),原理就是通过比较预测的值跟实际的值相差大不大,有此来判断算是否准确

理论上我们可以用(上面的i角标指代某一个训练样本)



但实际上我们不用以上公式,而用下面的公式



 

两个都是结果越小表示预测精度越高

 

     成本函数:针对整个训练集的损失函数,其实就是算整个训练集损失函数的平均值



      结果越大,说明成本越大,预测越不准确

 

神经网络是如何进行学习的:

首先,其实学习就是想办法让损失函数的值变小,而损失函数值是由w跟b决定的,所以问题可以转换成如何寻找合适的w跟b值





损失函数J的形状是一个漏斗,我们训练的目的就是找到漏斗底部的一组w和b。这种形状的函数我们成为凸函数(向下凸起的函数),这也是我们选择J
为损失函数的原因,而我们之前遇到的平方差不是一个凸函数,很难找到最小值



如上图所示,梯度下降算法会一步一步地更新w和b,使损失函数一步一步地变得更小,最终找到最小值或接近最小值的地方。



那么到底这个神秘的梯度下降算法是如何来更新w和b的呢?为了简化问题,让大家更容易理解其中的理论,我们先假设损失函数J只有一个参数w(实际上J是一个关于w和b
的函数),并且假设w只是一个实数(实际上w是一个向量/一组实数)。如上图,梯度下降算法一步一步地在改变着w的值,在使损失函数的结果越来越小(将w
的值一步一步的移到红点处)。我们是通过下面的公式来改变w的值的。

w’ = w – r * dw

其中dw为偏导数,也可以理解为斜率,r为学习率,用来控制w
改变的步径,要是选择不当的话可能就如上图所示,直接跳过红点到绿色三角形那里,也就是说你的神经网络可能永远都找不到损失函数的最小值

 

友情链接
KaDraw流程图
API参考文档
OK工具箱
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:[email protected]
QQ群:637538335
关注微信