深度学习笔记-简介
2018-01-22 22:03
218 查看
李伟-tensorflow-ubuntu-nvidia显卡
深度学习设计的领域
主要以CNN卷积网络位置展开,
传统机器学习和深度学习的对比
传统学习流程是 数据预处理-〉特征提取-〉选择分类器
数据预处理:包括对数据归一化,降维,去噪
特征提取:传统的算法包括处理图像的SIFT SURF LBP Brisk Fisher Gabor HOG ,处理语言的MFCC,小波,Word2vec
分类器:主要有SVM,随机森林,决策树,贝叶斯网络,线性回归,聚类
深度学习:数据准备-〉设计模型-〉训练(调整参数 损失函数对比效果)
数据准备可以预处理也可以不预处理,深度学习的预处理一般比较简单 resize等,label标签
设计模型:CNN、RNN、CNN+RNN
训练:调整模型结构,损失函数,调整参数等。
目前深度学习方法效果比较好,但是对深度学习进行模型改进的时候 要了解传统机器学习,传统机器学习中的方法对深度学习的模型进行修改,比如用深度学习提取的特征用SVM分类,设计深度学习特征学习的重点区域。
2012年之前都是基于传统深度学习图像特征提取的方法,2012年之后深度学习占领了天下。理论方面CNN、RNN、ReLU的发展,数据集ImageNet(深度学习常用数据库) LFW (人脸识别的数据库)硬件方面就是英伟达显卡计算速度NVIDIA CUDA(GPU加速)+GPU
传统机器学习数据及比较小,容易过拟合,深度学习数据及大,可移植性好。得到一个好的模型的话,可以用别人在大数据上训练的结果进行在训练finetune。但是计算硬件比较贵,模型设计还是比较复杂的,参数很多,计算量大,不轻便。可能被hack 也就是说误检(需要对数据分布均匀,数据标注)
深度学习热门的领域
无人驾驶:目标检测
无人超市:位置跟踪,物品检测,语音分析 马云的无人超市 还没有那么发达吧 没有体验过。
自动翻译:RNN、LSTM
个人助手:
深度学习框架
caffe 是现在工业应用用的比较多,比较早
theano学术用的多点比较早
tensorflow后来google出的 现在也很火了
MXNet 并行计算比较好用
TensorFLow
公开课程和文档还有安装都比较方便,而且还是goole开发的,自学还是很方便的。会python语言就行。主要有模型计算的源代码,官方会有一些code,tensorboard可以画出模型结果图-可视化。
推荐用ubuntu ,windows会有很多问题,因为安装tensorflow会需要python opencv等别的依赖库。
TF计算 加减乘除 矩阵计算等函数
卷积运算
什么样的卷积核有什么样的能力,不同的卷积核(算子)功能是不一样的,如直线检测,焦点检测,边缘检测,高斯核啥的。横线检测,斜线检测啥的。
分类
输入数据,得到特定的类别
回归
合成一个值,计算合成值和真实值得差距
生成
注意力,分割图(0,1,2,。。。),艺术风格图,
深度学习设计的领域
主要以CNN卷积网络位置展开,
传统机器学习和深度学习的对比
传统学习流程是 数据预处理-〉特征提取-〉选择分类器
数据预处理:包括对数据归一化,降维,去噪
特征提取:传统的算法包括处理图像的SIFT SURF LBP Brisk Fisher Gabor HOG ,处理语言的MFCC,小波,Word2vec
分类器:主要有SVM,随机森林,决策树,贝叶斯网络,线性回归,聚类
深度学习:数据准备-〉设计模型-〉训练(调整参数 损失函数对比效果)
数据准备可以预处理也可以不预处理,深度学习的预处理一般比较简单 resize等,label标签
设计模型:CNN、RNN、CNN+RNN
训练:调整模型结构,损失函数,调整参数等。
目前深度学习方法效果比较好,但是对深度学习进行模型改进的时候 要了解传统机器学习,传统机器学习中的方法对深度学习的模型进行修改,比如用深度学习提取的特征用SVM分类,设计深度学习特征学习的重点区域。
2012年之前都是基于传统深度学习图像特征提取的方法,2012年之后深度学习占领了天下。理论方面CNN、RNN、ReLU的发展,数据集ImageNet(深度学习常用数据库) LFW (人脸识别的数据库)硬件方面就是英伟达显卡计算速度NVIDIA CUDA(GPU加速)+GPU
传统机器学习数据及比较小,容易过拟合,深度学习数据及大,可移植性好。得到一个好的模型的话,可以用别人在大数据上训练的结果进行在训练finetune。但是计算硬件比较贵,模型设计还是比较复杂的,参数很多,计算量大,不轻便。可能被hack 也就是说误检(需要对数据分布均匀,数据标注)
深度学习热门的领域
无人驾驶:目标检测
无人超市:位置跟踪,物品检测,语音分析 马云的无人超市 还没有那么发达吧 没有体验过。
自动翻译:RNN、LSTM
个人助手:
深度学习框架
caffe 是现在工业应用用的比较多,比较早
theano学术用的多点比较早
tensorflow后来google出的 现在也很火了
MXNet 并行计算比较好用
TensorFLow
公开课程和文档还有安装都比较方便,而且还是goole开发的,自学还是很方便的。会python语言就行。主要有模型计算的源代码,官方会有一些code,tensorboard可以画出模型结果图-可视化。
推荐用ubuntu ,windows会有很多问题,因为安装tensorflow会需要python opencv等别的依赖库。
TF计算 加减乘除 矩阵计算等函数
''' basic tf operation examples, 1. write a tf function use tf.xxxx 2. feed data to tf.placeholder and set data to tf.Variable 3.run... ''' #导入库 import tensorflow as tf # direct sum with constand value常量计算 a = tf.constant(2) b = tf.constant(3) c=a+b d=a*b sess=tf.Session()#会话 print sess.run(c) print sess.run(d) # a = tf.placeholder(tf.int16)#接口定义接受数据的类型,用字典的方式来传数据的值。 b = tf.placeholder(tf.int16) # add = tf.add(a, b) mul = tf.multiply(a, b) print sess.run(add, feed_dict={a: 2, b: 3}) print sess.run(mul, feed_dict={a: 2, b: 3}) #矩阵计算 matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix2, matrix1) print sess.run(product) #here you should also be able to use tf.placeholder mat1=tf.Variable(tf.random_normal([3,2])) mat2=tf.Variable(tf.random_normal([2,3])) product=tf.matmul(mat1,mat2) m1=[[1,3],[2,1],[0,5]] m2=[[3,2,1],[1,2,3]] print sess.run(product,feed_dict={mat1:m1,mat2:m2})
卷积运算
什么样的卷积核有什么样的能力,不同的卷积核(算子)功能是不一样的,如直线检测,焦点检测,边缘检测,高斯核啥的。横线检测,斜线检测啥的。
分类
输入数据,得到特定的类别
回归
合成一个值,计算合成值和真实值得差距
生成
注意力,分割图(0,1,2,。。。),艺术风格图,
相关文章推荐
- 3、C语言深度学习笔记--计算机体系结构简介
- 【笔记】深度学习框架简介
- 深度学习笔记-神经网络简介
- CS224n 笔记1-自然语言处理与深度学习简介
- 深度学习笔记-神经网络简介
- [机器学习入门] 李弘毅机器学习笔记-7 (Brief Introduction of Deep Learning;深度学习简介)
- 深度学习笔记1:神经网络端到端学习笔记
- Deep Learning(深度学习)学习笔记整理系列之(六)
- Deep Learning(深度学习)学习笔记整理系列之(五)
- DeepLearning.ai学习笔记(一)神经网络和深度学习--Week4深层神经网络
- Deep Learning(深度学习)学习笔记整理系列之(五)
- 我的python学习笔记.while循环简介
- Deep Learning(深度学习)学习笔记整理系列之(四)
- STL学习笔记---STL简介
- Deep Learning(深度学习)学习笔记整理系列之(四)
- Spark学习笔记(一)——spark简介
- 2017-02-27-深度学习论文笔记:R-FCN
- Cocos2d-x学习笔记(三)之 坐标系简介
- jBPM-jPDL学习笔记—框架设计简介(一)
- android开发学习笔记(5)DalVik虚拟机简介