零基础学习深度学习pdf文档资源-CSDN文库

深度学习

需积分: 17 184 浏览量 2018-09-23 00:15:57 上传评论收藏 35.79MB PDF 举报

资源推荐

资源详情

资源评论

[关闭]

@hanbingtao 2017-08-28 19:35 字数 5679 阅读 240109

零基础入门深度学习(1) - 感知器

机器学习深度学习入门

无论即将到来的是大数据时代还是人工智能时代，亦或是传统行业使用人工智能在云上处理大数据的时代，

作为一个有理想有追求的程序员，不懂深度学习（Deep Learning）这个超热的技术，会不会感觉马上就out

了？现在救命稻草来了，《零基础入门深度学习》系列文章旨在讲帮助爱编程的你从零基础达到入门级水

平。零基础意味着你不需要太多的数学知识，只要会写程序就行了，没错，这是专门为程序员写的文章。虽

然文中会有很多公式你也许看不懂，但同时也会有更多的代码，程序员的你一定能看懂的（我周围是一群狂

热的Clean Code程序员，所以我写的代码也不会很差）。

文章列表

零基础入门深度学习(1) - 感知器

零基础入门深度学习(2) - 线性单元和梯度下降

零基础入门深度学习(3) - 神经网络和反向传播算法

零基础入门深度学习(4) - 卷积神经网络

零基础入门深度学习(5) - 循环神经网络

零基础入门深度学习(6) - 长短时记忆网络(LSTM)

零基础入门深度学习(7) - 递归神经网络

深度学习是啥

在人工智能领域，有一个方法叫机器学习。在机器学习这个方法里，有一类算法叫神经网络。神经网络如下图所示：

上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层

之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫

输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

隐藏层比较多（大于2）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经网络）的机

器学习方法。

那么深层网络和浅层网络相比有什么优势呢？简单来说深层网络能够表达力更强。事实上，一个仅有一个隐藏层的神经

网络就能拟合任何一个函数，但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就

是为了拟合一个函数，要么使用一个浅而宽的网络，要么使用一个深而窄的网络。而后者往往更节约资源。

深层网络也有劣势，就是它不太容易训练。简单的说，你需要大量的数据，很多的技巧才能训练好一个深层网络。这是

个手艺活。

感知器

看到这里，如果你还是一头雾水，那也是很正常的。为了理解神经网络，我们应该先理解神经网络的组成单元——神经

元。神经元也叫做感知器。感知器算法在上个世纪50-70年代很流行，也成功解决了很多问题。并且，感知器算法也是非

常简单的。

感知器的定义

下图是一个感知器：

可以看到，一个感知器有如下组成部分：

• 输入权值一个感知器可以接收多个输入，每个输入上有一个权值，此外还有一个

偏置项，就是上图中的。

• 激活函数感知器的激活函数可以有很多选择，比如我们可以选择下面这个阶跃函数来作为激活函数：

• 输出感知器的输出由下面这个公式来计算

如果看完上面的公式一下子就晕了，不要紧，我们用一个简单的例子来帮助理解。

公式

• 没有使用numpy。numpy实现了很多基础算法，对于实现机器学习算法来说是个必备的工具。但为了降低读者理解

的难度，下面的代码只用到了基本的python（省去您去学习numpy的时间）。

下面是感知器类的实现，非常简单。去掉注释只有27行，而且还包括为了美观（每行不超过60个字符）而增加的很多换

行。

1. class Perceptron(object):

2. def __init__(self, input_num, activator):

3. '''

4. 初始化感知器，设置输入参数的个数，以及激活函数。

5. 激活函数的类型为double -> double

6. '''

7. self.activator = activator

8. #

权重向量初始化为

9. self.weights = [0.0 for _ in range(input_num)]

10. #

偏置项初始化为

11. self.bias = 0.0

12.

13. def __str__(self):

14. '''

15. 打印学习到的权重、偏置项

16. '''

17. return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)

18.

19.

20. def predict(self, input_vec):

21. '''

22. 输入向量，输出感知器的计算结果

23. '''

24. #

把

input_vec[x1,x2,x3...]

和

weights[w1,w2,w3,...]

打包在一起

25. #

变成

[(x1,w1),(x2,w2),(x3,w3),...]

26. #

然后利用

map

函数计算

[x1*w1, x2*w2, x3*w3]

27. #

最后利用

reduce

求和

28. return self.activator(

29. reduce(lambda a, b: a + b,

30. map(lambda (x, w): x * w,

31. zip(input_vec, self.weights))

32. , 0.0) + self.bias)

33.

34. def train(self, input_vecs, labels, iteration, rate):

35. '''

36. 输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率

37. '''

38. for i in range(iteration):

39. self._one_iteration(input_vecs, labels, rate)

40.

41. def _one_iteration(self, input_vecs, labels, rate):

42. '''

43. 一次迭代，把所有的训练数据过一遍

44. '''

45. #

把输入和输出打包在一起，成为样本的列表

[(input_vec, label), ...]

46. #

而每个训练样本是

(input_vec, label)

47. samples = zip(input_vecs, labels)

48. #

对每个样本，按照感知器规则更新权重

49. for (input_vec, label) in samples:

50. #

计算感知器在当前权重下的输出

51. output = self.predict(input_vec)

52. #

更新权重

53. self._update_weights(input_vec, output, label, rate)

54.

55. def _update_weights(self, input_vec, output, label, rate):

56. '''

57. 按照感知器规则更新权重

58. '''

59. #

把

input_vec[x1,x2,x3,...]

和

weights[w1,w2,w3,...]

打包在一起

60. #

变成

[(x1,w1),(x2,w2),(x3,w3),...]

61. #

然后利用感知器规则更新权重

62. delta = label - output

63. self.weights = map(

64. lambda (x, w): w + rate * delta * x,

65. zip(input_vec, self.weights))

66. #

更新

bias

67. self.bias += rate * delta

接下来，我们利用这个感知器类去实现and函数。

1. def f(x):

2. '''

3. 定义激活函数f

4. '''

5. return 1 if x > 0 else 0

剩余105页未读，继续阅读

评论收藏

内容反馈

gaoleikidkidkid

粉丝: 38
资源: 4

零基础学习深度学习pdf文档

动手学深度学习pytorch.pdf

Python深度学习基于Pytorch深度学习.pdf

零基础入门深度学习.pdf

深度学习.pdf

手把手教你零基础成为深度学习高手.pdf

零基础入门深度学习(系列) 中文PDF完整版

零基础入门深度学习-系列博客高清合集pdf

深度学习基础pdf

韩炳涛 零基础入门深度学习系列博客pdf

零基础入门深度学习合集

深度学习PyTorch极简入门PDF教程.pdf

中国深度学习软件框架市场研究报告（2021）.pdf

深度学习500 pdf 整个pdf文件打包

Keras：基于Python的深度学习库.pdf

深度学习研究概述.pdf

深度学习解析.pdf

深度学习_21天实战Caffe+Caffe之经典模型详解与实战 (pdf文件 带书签)

深度学习自学之路精简版PDF_墨理学AI_CSDN_博客砖家_创作出品

深度学习与PyTorch入门实战教程-网盘链接和密码-永久有效-详细教程

有效提问 引领计算课堂的深度学习.pdf

人工智能论文：基于深度学习的目标检测技术综述.pdf

基于深度学习的工业视觉检测系统.pdf

YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数

Transformer模型实现长期预测并可视化结果（附代码+数据集+原理介绍）

YOLOv8网络结构图，自制visio文件，yolov8.vsds，需要的自取，在原有的基础上直接改就行了

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt

最新资源

韩炳涛零基础入门深度学习系列博客pdf

深度学习_21天实战Caffe+Caffe之经典模型详解与实战 (pdf文件带书签)

有效提问引领计算课堂的深度学习.pdf