神经网络(Neural Network)
- 深度学习:训练神经网络的过程,尤其是大规模神经网络的训练。
- 神经网络:由神经元连接组成网络,每个神经元表示一种操作,通常包含一种激活函数(例如ReLU)。常见的神经网络类别:
- Standard Neural Network:标准神经网络,常见的预测场景。
- Convolutional Neural Network(CNN):卷积神经网络,常用语图像领域
- Recurrent Nrural Network(RNN):循环神经网络,常用语序列数据,如语音、自然语言。
- Hybrid Neural Network:混合神经网络,复杂的场景,如自动驾驶(处理图像和雷达信息,可能是CNN+RNN混合)。
监督学习(Supervised Learning)
- 目前,大部分神经网络创造的价值本质上都来自监督学习。
- 监督学习需要首先使用样本数据训练模型(输入和输出的关系),然后把模型应用到实际的场景中。监督学习问题可以分为两类:
- 回归(Regression):预测的输出是连续的,也就是试图把输入映射为连续函数。
- 分类(Classification):预测的输出是离散的,把输入映射为离散的类别。
- 监督学习处理的数据可以分类:
- 结构化数据(Structured Data):例如数据库中数据,数据中的每个特征都有清晰的定义(年龄、性别…)。
- 非结构化数据(Unstructured Data):例如语音、图像。传统上计算机很难理解。
- 神经网络可以很好的处理结构化和非结构化数据,尤其是在非结构化数据上,相比传统技术,优势巨大。
为什么神经网络会兴起
- 神经网络的优势在于:数据量越大,性能越好,参见下图。
- 以下几个因素促进了神经网络的兴起:
- Data:数字化时代带来了巨量的数据,可以使用大规模的数据训练大规模的神经网络。
- Computation:计算能力使得训练大规模神经网络成为可能。
- Algorithms:算法的演进,例如使用ReLU作为激活函数。
ReLU
* Rectified Linear Unit,修正线性单元。函数表示: