深度學(xué)習(xí)模型，深度學(xué)習(xí)的預(yù)測(cè)模型有哪些

來(lái)源：整理時(shí)間：2023-09-03 12:38:43 編輯：智能門戶手機(jī)版

本文目錄一覽

1，深度學(xué)習(xí)的預(yù)測(cè)模型有哪些
2，如何理解深度學(xué)習(xí)中的deconvolution networks
3，深度學(xué)習(xí) 是生成模型還是判別模型
4，目前深度學(xué)習(xí)的模型有哪幾種適用于哪些問(wèn)題
5，AlphaGo 用了哪些深度學(xué)習(xí)的模型
6，如何從零使用 Keras TensorFlow 開發(fā)一個(gè)復(fù)雜深度學(xué)習(xí)模型問(wèn)

1，深度學(xué)習(xí)的預(yù)測(cè)模型有哪些

參數(shù)估計(jì)：最小二乘廣義最小二乘廣義矩假設(shè)檢驗(yàn) 數(shù)據(jù)預(yù)測(cè)主要是基于經(jīng)典回歸分析和時(shí)間序列分析方差分析因素分析主成分析對(duì)應(yīng)分析聚類分析譜分析小波分析等等

深度學(xué)習(xí)的預(yù)測(cè)模型有哪些

2，如何理解深度學(xué)習(xí)中的deconvolution networks

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中對(duì)模式（聲音、圖像等等）進(jìn)行建模的一種方法，它也是一種基于統(tǒng)計(jì)的概率模型。在對(duì)各種模式進(jìn)行建模之后，便可以對(duì)各種模式進(jìn)行識(shí)別了，例如待建模的模式是聲音的話，那么這種識(shí)別便可以理解為語(yǔ)音識(shí)別。而類比來(lái)理解，如果說(shuō)將機(jī)器學(xué)習(xí)算法類比為排序算法，那么深度學(xué)習(xí)算法便是眾多排序算法當(dāng)中的一種（例如冒泡排序），這種算法在某些應(yīng)用場(chǎng)景中，會(huì)具有一定的優(yōu)勢(shì)。

如何理解深度學(xué)習(xí)中的deconvolution networks

3，深度學(xué)習(xí) 是生成模型還是判別模型

深度學(xué)習(xí)的模型有很多，既有生成模式也有判別模式，目前開發(fā)者最常用的深度學(xué)習(xí)模型與架構(gòu)包括 CNN卷積神經(jīng)網(wǎng)絡(luò)、DBN深度信念網(wǎng)絡(luò)、RNN循環(huán)神經(jīng)網(wǎng)絡(luò)、RNTN遞歸神經(jīng)張量網(wǎng)絡(luò)、自動(dòng)編碼器、GAN 生成對(duì)抗模型等。機(jī)器學(xué)習(xí)方法可以分為生成方法（generative approach）和判別方法（discriminative approach），所學(xué)到的模型分別稱為生成式模型（generative model）和判別式模型（discriminative model）。生成方法通過(guò)觀測(cè)數(shù)據(jù)學(xué)習(xí)樣本與標(biāo)簽的聯(lián)合概率分布P(X, Y)，訓(xùn)練好的模型能夠生成符合樣本分布的新數(shù)據(jù)，它可以用于有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。判別模型：將跟蹤問(wèn)題看成一個(gè)二分類問(wèn)題，然后找到目標(biāo)和背景的決策邊界。它不管目標(biāo)是怎么描述的，那只要知道目標(biāo)和背景的差別在哪，然后你給一個(gè)圖像，它看它處于邊界的那一邊，就歸為哪一類。

期待看到有用的回答！

深度學(xué)習(xí) 是生成模型還是判別模型

4，目前深度學(xué)習(xí)的模型有哪幾種適用于哪些問(wèn)題

AlphaGo依靠精確的專家評(píng)估系統(tǒng)（value network）:專家系統(tǒng)是一個(gè)智能計(jì)算機(jī)程序系統(tǒng)，其內(nèi)部含有大量的某個(gè)領(lǐng)域?qū)＜宜降闹R(shí)與經(jīng)驗(yàn)，能夠利用人類專家的知識(shí)和解決問(wèn)題的方法來(lái)處理該領(lǐng)域問(wèn)題。基于海量數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)（policy network）:多層的好處是可以用較少的參數(shù)表示復(fù)雜的函數(shù)。在監(jiān)督學(xué)習(xí)中，以前的多層神經(jīng)網(wǎng)絡(luò)的問(wèn)題是容易陷入局部極值點(diǎn)。如果訓(xùn)練樣本足夠充分覆蓋未來(lái)的樣本，那么學(xué)到的多層權(quán)重可以很好的用來(lái)預(yù)測(cè)新的測(cè)試樣本。但是很多任務(wù)難以得到足夠多的標(biāo)記樣本，在這種情況下，簡(jiǎn)單的模型，比如線性回歸或者決策樹往往能得到比多層神經(jīng)網(wǎng)絡(luò)更好的結(jié)果。非監(jiān)督學(xué)習(xí)中，以往沒(méi)有有效的方法構(gòu)造多層網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)的頂層是底層特征的高級(jí)表示，比如底層是像素點(diǎn)，上一層的結(jié)點(diǎn)可能表示橫線，三角；而頂層可能有一個(gè)結(jié)點(diǎn)表示人臉。傳統(tǒng)的人工智能方法蒙特卡洛樹搜索的組合:是一種人工智能問(wèn)題中做出最優(yōu)決策的方法，一般是在組合博弈中的行動(dòng)（move）規(guī)劃形式。它結(jié)合了隨機(jī)模擬的一般性和樹搜索的準(zhǔn)確性。

quora上有個(gè)答案，hastherebeenanyworkonusingdeepl

5，AlphaGo 用了哪些深度學(xué)習(xí)的模型

AlphaGo用了一個(gè)深度學(xué)習(xí)的模型：卷積神經(jīng)網(wǎng)絡(luò)模型。阿爾法圍棋（AlphaGo）是一款圍棋人工智能程序。其主要工作原理是“深度學(xué)習(xí)”?！吧疃葘W(xué)習(xí)”是指多層的人工神經(jīng)網(wǎng)絡(luò)和訓(xùn)練它的方法。一層神經(jīng)網(wǎng)絡(luò)會(huì)把大量矩陣數(shù)字作為輸入，通過(guò)非線性激活方法取權(quán)重，再產(chǎn)生另一個(gè)數(shù)據(jù)集合作為輸出。這就像生物神經(jīng)大腦的工作機(jī)理一樣，通過(guò)合適的矩陣數(shù)量，多層組織鏈接一起，形成神經(jīng)網(wǎng)絡(luò)“大腦”進(jìn)行精準(zhǔn)復(fù)雜的處理，就像人們識(shí)別物體標(biāo)注圖片一樣。擴(kuò)展資料：阿爾法圍棋用到了很多新技術(shù)，如神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、蒙特卡洛樹搜索法等，使其實(shí)力有了實(shí)質(zhì)性飛躍。美國(guó)臉書公司“黑暗森林”圍棋軟件的開發(fā)者田淵棟在網(wǎng)上發(fā)表分析文章說(shuō)，阿爾法圍棋系統(tǒng)主要由幾個(gè)部分組成：一、策略網(wǎng)絡(luò)（Policy Network），給定當(dāng)前局面，預(yù)測(cè)并采樣下一步的走棋；二、快速走子（Fast rollout），目標(biāo)和策略網(wǎng)絡(luò)一樣，但在適當(dāng)犧牲走棋質(zhì)量的條件下，速度要比策略網(wǎng)絡(luò)快1000倍；三、價(jià)值網(wǎng)絡(luò)（Value Network），給定當(dāng)前局面，估計(jì)是白勝概率大還是黑勝概率大；四、蒙特卡洛樹搜索（Monte Carlo Tree Search），把以上這三個(gè)部分連起來(lái)，形成一個(gè)完整的系統(tǒng)。參考資料來(lái)源：搜狗百科-阿爾法圍棋（圍棋機(jī)器人）搜狗百科-深度學(xué)習(xí)

AlphaGo依靠精確的專家評(píng)估系統(tǒng)（value network）、基于海量數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)（policy network），及傳統(tǒng)的人工智能方法蒙特卡洛樹搜索的組合，以及可以通過(guò)左右互搏提高自己的水平，這個(gè)真的是有的恐怖了有木有。李世石九段固然厲害，可人類畢竟是動(dòng)物，機(jī)器軟件程序是無(wú)休止的工作，這一點(diǎn)也是客觀因素了。比賽已經(jīng)結(jié)束了，李世石一比四不敵alphago。

6，如何從零使用 Keras TensorFlow 開發(fā)一個(gè)復(fù)雜深度學(xué)習(xí)模型問(wèn)

最近剛開始使用theano, 經(jīng)驗(yàn)不多，連個(gè)基本的模型都跑不通，于是去看了下Keras，源碼比較簡(jiǎn)潔，可以當(dāng)作theano的示例教程來(lái)看，感受如下：1. 文檔看似很全，每個(gè)layer是干啥的，每個(gè)參數(shù)是啥都寫了，但是不去讀代碼，實(shí)際很多人是無(wú)法從文檔理解其具體用法的。這點(diǎn)看issue里的討論里可以看出。同樣，example似乎很多，而且都能直接run，還都是real world的數(shù)據(jù)集，看似很好，但是實(shí)際上，對(duì)于新手，如果需要的模型跟example里的不完全一樣，不容易搞懂到底需要把輸入輸出的數(shù)據(jù)搞成啥格式。舉個(gè)例子，example都是做的classification的，沒(méi)有做sequence labeling的例子，如果想拿來(lái)做個(gè)pos tagging，不知道數(shù)據(jù)如何組織。當(dāng)然，這些其實(shí)花一天讀下代碼或者好好翻翻issue討論就可以解決了，但我相信不少人不會(huì)去認(rèn)真讀代碼或者看討論，而是直接換個(gè)工具。我感覺(jué)目前的doc只有懂了代碼的人才能看懂，不懂得看文檔還是沒(méi)啥用。2. 2.項(xiàng)目很簡(jiǎn)單所以開發(fā)者不多，但是很活躍，每天都有新東西加進(jìn)去。今天增加了一個(gè)新的分支后端可以用theano或者tensorflow了，不過(guò)貌似由于不支持scan，backend用tensorflow的沒(méi)實(shí)現(xiàn)recurrent layer。他們也意識(shí)到文檔的問(wèn)題，覺(jué)得需要為小白用戶多加點(diǎn)tutorial而不是光給develop看。3. 我沒(méi)用過(guò)其他的framework，僅說(shuō)keras拿來(lái)學(xué)習(xí)theano基本用法，很不錯(cuò)庫(kù)本身的代碼，比較簡(jiǎn)單易讀，我作為python菜鳥，也能看懂。目前model有sequential和grapgh兩種，前者并不是指recurrent而是說(shuō)網(wǎng)絡(luò)是一層層堆的（也包括recurrent）.其他的主要概念包括layer，regularizer, optimizer,objective都分離開。layer用于build每層的輸出函數(shù)，model會(huì)用最后一層的輸出，根據(jù)objective和每個(gè)layer的regularizer來(lái)確定最終的cost，然后在update時(shí)用optimizer來(lái)更新參數(shù)。把這四個(gè)看下加上model里的fit函數(shù)，就會(huì)用theano啦。很多模型都能cover，seq2seq這種也有現(xiàn)成的可用。建議不要光看example，多看看github上的 issues討論，實(shí)在找不到，直接提問(wèn)。效率方面，我不懂theano怎么優(yōu)化，感覺(jué)keras的這種封裝，沒(méi)什么成本，跟自己用原生theano是一樣的。當(dāng)然，theano本身就好慢啊。。估計(jì)是我不懂用吧。。

Keras 是提供一些高可用的 Python API ，能幫助你快速的構(gòu)建和訓(xùn)練自己的深度學(xué)習(xí)模型，它的后端是 TensorFlow 或者 Theano 。本文假設(shè)你已經(jīng)熟悉了 TensorFlow 和卷積神經(jīng)網(wǎng)絡(luò)，如果，你還沒(méi)有熟悉，那么可以先看看這個(gè)10分鐘入門 TensorFlow 教程和卷積神經(jīng)網(wǎng)絡(luò)教程，然后再回來(lái)閱讀這個(gè)文章。在這個(gè)教程中，我們將學(xué)習(xí)以下幾個(gè)方面：為什么選擇 Keras？為什么 Keras 被認(rèn)為是深度學(xué)習(xí)的未來(lái)？在Ubuntu上面一步一步安裝Keras。Keras TensorFlow教程：Keras基礎(chǔ)知識(shí)。了解 Keras 序列模型4.1 實(shí)際例子講解線性回歸問(wèn)題使用 Keras 保存和回復(fù)預(yù)訓(xùn)練的模型Keras API6.1 使用Keras API開發(fā)VGG卷積神經(jīng)網(wǎng)絡(luò)6.2 使用Keras API構(gòu)建并運(yùn)行SqueezeNet卷積神經(jīng)網(wǎng)絡(luò)。