深度学习报告

《深度学习报告》由会员分享，可在线阅读，更多相关《深度学习报告（53页珍藏版）》请在金锄头文库上搜索。

1、深度学习概述谯平2016年07月21日目 录 什么是深度学习 为什么需要深度学习 深度学习如何进行训练 深度学习常用模型 深度学习框架Caffe什么是深度学习-概述 深度学习：一种基于无监督特征学习和特征 层次结构的学习方法 基本原理：深度学习的概念源于人工神经网 络的研究。深度学习通过组合低层特征形成 更加抽象的高层表示属性类别或特征，以发 现数据的分布式特征表示。什么是深度学习-对比神经网络 ： 深度学习：什么是深度学习-对比相同点：二者均采用分层结构，系统包括输入层、隐 层（多层）、输出层组成的多层网络，只有相邻层 节点之间有连接，同一层以及跨层节点之间相互无 连接，每一层可以看作是一个

2、对数回归模型。 不同点： 神经网络：采用BP算法调整参数，即采用迭代算法来 训练整个网络。随机设定初值，计算当前网络的输 出，然后根据当前输出和样本真实标签之间的差去 改变前面各层的参数，直到收敛； 深度学习：采用逐层训练机制。采用该机制的原因在 于如果采用BP机制，对于一个深层网络（7层以上） ，残差传播到最前面的层将变得很小，出现所谓的 梯度扩散。为什么需要深度学习-源头 人脑视觉机理 1981年的诺贝尔医学奖获得者 David Hubel和 TorstenWiesel发现了视觉系统的信息处理机制 发现了一种被称为“方向选择性细胞的神经元细胞，当瞳 孔发现了眼前的物体的边缘，而且这个边缘指

3、向某个方向 时，这种神经元细胞就会活跃为什么需要深度学习-源头 由此可知人的视觉系统的信息处理是分级的，高层的特征 是低层特征的组合，从低层到高层的特征表示越来越抽象 ，越来越能表现语义或者意图，抽象层面越高，存在的可 能猜测就越少，就越利于分类。为什么需要深度学习-特征 良好的特征表达，对最终算法的准确性起了非常关键的作用； 识别系统主要的计算和测试工作耗时主要集中在特征提取部分； 特征的样式目前一般都是人工设计的，靠人工提取特征。底层感知预处理特征提取特征选择预测与识别传统的模式识别方法：为什么需要深度学习-特征 机器学习中，获得好的特征是识别成功的关键 目前存在大量人工设计的特征，不同研

4、究对象特征不同，特征具有多样性，如：SIFT, HOG, TEXTON等 手工选取特征费时费力，需要启发式专业知识，很大程度上靠经验和运气 是否能自动地学习特征？ 中层特征 中层信号：为什么需要深度学习-特征连续平行连接拐角 物体部件: 他们对于人工而言是十分困难的，那么如何学习呢？为什么需要深度学习-特征 一般而言，特征越多，给出信息就越多，识别准确性会得到提升； 但特征多，计算复杂度增加，探索的空间大，可以用来训练的数据在每个特征上就会稀疏。 结论：不一定特征越多越好！需要有多少个特征，需要学习确定。为什么需要深度学习-深层 初级（浅层）特征表示 高层特征或图像，往往是由一些基本结构（浅层

5、特征）组成的为什么需要深度学习-深层 结构性特征表示为什么需要深度学习-深层 浅层学习的局限 人工神经网络（BP算法） 虽被称作多层感知机，但实际是种只含有一层隐层 节点的浅层模型 SVM、Boosting、最大熵方法（如LR，Logistic Regression） 带有一层隐层节点（如SVM、Boosting），或没有 隐层节点（如LR）的浅层模型 局限性：有限样本和计算单元情况下对复杂函数的表 示能力有限，针对复杂分类问题其泛化能力受限。为什么需要深度学习-深层 2006年，加拿大多伦多大学教授、机器学习领域 的泰斗Geoffrey Hinton在科学上发表论文提 出深度学习主要观点：

6、1）多隐层的人工神经网络具有优异的特征学习能力 ，学习得到的特征对数据有更本质的刻画，从而 有利于可视化或分类； 2）深度神经网络在训练上的难度，可以通过“逐层 初始化”（layer-wise pre-training）来有效克 服，逐层初始化可通过无监督学习实现的。为什么需要深度学习-深层 深度学习 本质：通过构建多隐层的模型和海量训练数据（ 可为无标签数据），来学习更有用的特征，从而 最终提升分类或预测的准确性。 “深度模型”是 手段，“特征学习”是目的。 与浅层学习区别： 1）强调了模型结构的深度，通常有5-10多层的隐层 节点； 2）明确突出了特征学习的重要性，通过逐层特征变 换，将样

7、本在原空间的特征表示变换到一个新特 征空间，从而使分类或预测更加容易。与人工规 则构造特征的方法相比，利用大数据来学习特征 ，更能够刻画数据的丰富内在信息。为什么需要深度学习-深层 好处：可通过学习一种深层非线性网络结 构，实现复杂函数逼近，表征输入数据分 布式表示。为什么需要深度学习-对比 神经网络的局限性：1）比较容易过拟合，参数比较难调整，而且 需要不少技巧； 2）训练速度比较慢，在层次比较少（小于等 于3）的情况下效果并不比其它方法更优；为什么需要深度学习-对比 神经网络的BP算法的缺点： （1）反馈调整时，梯度越来越稀疏，从顶层越往下 ，误差校正信号越来越小； （2）收敛易至局部最小

8、，由于是采用随机值初始化 ，当初值是远离最优区域时易导致这一情况； （3）BP算法需要有标签数据来训练，但大部分数据 是无标签的；深度学习如何进行训练EncoderDecoderInput ImageClass labele.g.FeaturesEncoderDecoderFeaturesEncoderDecoderAutoEncoder:深度学习如何进行训练Wake-Sleep算法为例： 第一步：采用自下而上的无监督学习 1）逐层构建单层神经元。 2）每层采用wake-sleep算法进行调优。每次 仅调整一层，逐层调整。这个过程可以看作是一个特征学习的过程， 是和传统神经网络区别最大的部分。

9、深度学习如何进行训练 wake-sleep算法:1）wake阶段：认知过程，通过下层的输入特征（Input）和向上的认知（ Encoder）权重产生每一层的抽象表示（Code），再通过当前的 生成（Decoder）权重产生一个重建信息（Reconstruction）， 计算输入特征和重建信息残差，使用梯度下降修改层间的下行 生成（Decoder）权重。也就是“如果现实跟我想象的不一样， 改变我的生成权重使得我想象的东西变得与现实一样”。 2）sleep阶段：生成过程，通过上层概念（Code）和向下的生成（Decoder）权 重，生成下层的状态，再利用认知（Encoder）权重产生一个抽 象景象

10、。利用初始上层概念和新建抽象景象的残差，利用梯度 下降修改层间向上的认知（Encoder）权重。也就是“如果梦中 的景象不是我脑中的相应概念，改变我的认知权重使得这种景 象在我看来就是这个概念”。深度学习如何进行训练 第二步：自顶向下的监督学习 这一步是在第一步学习获得各层参数进的基础 上，在最顶的编码层添加一个分类器（例如 logistic回归、SVM等），而后通过带标签数据的 监督学习，利用梯度下降法去微调整个网络参数。深度学习的第一步实质上是一个网络参数初始 化过程。区别于传统神经网络初值随机初始化，深 度学习模型是通过无监督学习输入数据的结构得到 的，因而这个初值更接近全局最优，从而能

11、够取得 更好的效果。深度学习常用模型 自动编码器（ AutoEncoder ） 稀疏自动编码器(Sparse AutoEncoder) 降噪自动编码器(Denoising AutoEncoders) 限制玻尔兹曼机（Restricted Boltzmann Machine） 深度信任网络（Deep Belief Networks） 卷积神经网络（Convolutional Neural Networks）深度学习常用模型一EncoderDecoderInput (Image/ Features)Output Featurese.g.Feed-back / top-down pathFeed-f

12、orward / bottom-up path自动编码器（ AutoEncoder ）深度学习常用模型二 稀疏自动编码器(Sparse AutoEncoder)限制每次得到的表达code尽量稀疏限制每次得到的表达code尽量稀疏深度学习常用模型二 稀疏自动编码器(Sparse AutoEncoder)FiltersFeaturesSparse CodingInput Patch深度学习常用模型二(Wx)DzInput Patch xSparse Features ze.g.Encoder filters WSigmoid function (.)Decoder filters DL1 Spar

13、sit yTraining 稀疏自动编码器(Sparse AutoEncoder)深度学习常用模型二 稀疏自动编码器(Sparse AutoEncoder)1）训练阶段：给定一系列的样本图片x1, x2, ，我们需要学习得到一组基1, 2, ，也就是字典。深度学习常用模型二2）编码阶段：给定一个新的图片x，由上面得到的字典，利用 OMP算法求解一个LASSO问题得到稀疏向量a。这个稀疏向量 就是这个输入向量x的一个稀疏表达。深度学习常用模型三 降噪自动编码器(Denoising AutoEncoders)在自动编码器的基础上，对训练数据加入噪声，自动编码器必须学习去去除这种噪声而获得真正的没有

14、被噪声污染过的输入。因此，这就迫使编码器去学习输入信号的更加鲁棒的表达，这也是它的泛化能力比一般编码器强的原因。深度学习常用模型四 限制波尔兹曼机（Restricted Boltzmann Machine） 定义：假设有一个二部图，同层节点之间没有链接，一层是可 视层，即输入数据层（v)，一层是隐藏层(h)，如果假设所有的 节点都是随机二值（ 0，1值）变量节点，同时假设全概率分布 p(v,h)满足Boltzmann 分布，我们称这个模型是Restricted Boltzmann Machine (RBM)。深度学习常用模型四 限制波尔兹曼机（Restricted Boltzmann Mach

15、ine） 限制波尔兹曼机（RBM）是一种深度学习模型。深度学习常用模型四 限制波尔兹曼机（Restricted Boltzmann Machine） 定义联合组态（jointconfiguration）能量：这样某个组态的联合概率分布可以通过Boltzmann 分 布和这个组态的能量来确定：深度学习常用模型四 限制波尔兹曼机（Restricted Boltzmann Machine） 给定隐层h的基础上，可视层的概率确定：（可视层节点之间是条件独立的） 给定可视层v的基础上，隐层的概率确定：深度学习常用模型四 限制波尔兹曼机（Restricted Boltzmann Machine）待求问题：

16、给定一个满足独立同分布的样本集：D=v(1), v(2), v(N)，需要学习模型参数=W,a,b。求解：最大似然估计：我们需要选择一个参数，让我们当前的观测样本的概率最大对最大对数似然函数求导，即可得到L最大时对应的参数W：p 若隐藏层层数增加，可得到Deep Boltzmann Machine(DBM)深度学习常用模型五 深信度网络（Deep Belief Networks）Deep Belief Networks是在靠近可视层的部分使用贝叶斯信念网 络（即有向图模型），而在最远离可视层的部分使用Restricted Boltzmann Machine的模型。深度学习常用模型五 深信度网络（Deep Belief Networks）深度学习常用模型五 深信度网络（Deep Belief Networks）深度学习