江苏龙网

  1. 主页 > 生活百科 > >

AI知识点汇总( 六 )

AI


例如：在拥有上百万篇文章资讯类的网站中进行文章分类标记，便可以采用半监督学习，只需要对训练样本进行少量的人工标注处理，便可以得到较高精度的分类结果 。
2.5 强化学习强化学习是一种特殊的机器学习，根据输入环境参数确定要执行的动作，通过与环境交互来优化目标函数 。在训练时，对于正确的动作做出奖励，对错误的动作做出惩罚，训练完成之后就用得到的模型进行预测 。简要来说，强化学习算法是一种根据当前的状态确定要执行的动作的学习方式 。
2.6 迁移学习迁移学习简要来说，就是把已经学到训练好的模型参数迁移到新的模型来帮助并加快新模型训练数据集，这种学习方式可以大幅缩短新模型的学习时间 。
2.7 深度学习深度学习是机器学习的子集，这个概念来源于对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 。
深度机器学习方法也有监督学习与无监督学习之分，不同的学习框架下建立的学习模型很是不同 。例如：卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型 。
深度学习相较其他机器学习最厉害的一点：可以对数据特征进行预处理（省去数据人工标注的麻烦，同时可以对更多维和复杂的特征进行向量提取和空间向量的转换，方便后续处理），这也是它为什么很多层的原因，因为其中多出来的层数都是要用来进行数据特征提取预处理的 。端到端的训练，是深度学习的核心技术 。目前深度学习框架有tensorflow、keras、caffe、theano、torch等 。
1）卷积神经网络（CNN）
基本原理：CNN是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现 。
卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成 。卷积层的作用是指对图片的矩阵进行卷积运算，得到一些数值，作为图片的某些特征 。因为采用了卷积来处理图像，所以需要使用激活函数来加入非线性因素，来增加表达力 。
池化层的作用是对上层的数据进行采样和压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征 。全连接层连接所有的特征，将输出值分类 。
前面卷积层和池化层进行处理后，得到了很多的特征，全连接层使用这些特征进行分类 。比如：识别数字，那就是对0~9的十个类别进行分类 。卷积神经网络是一个判别模型，它既可以用于分类问题，也可以用于回归问题，并且支持多分类问题 。
主要用途：图像处理，计算机视觉和图像分类的主要算法 。
2）递归神经网络（RNN）
基本原理：又叫循环神经网络，在任意神经网络中，每个神经元都通过 1 个或多个隐藏层来将很多输入转换成单个输出 。递归神经网络会将值进一步逐层传递，让逐层学习成为可能 。换句话说，RNN 存在某种形式的记忆，允许先前的输出去影响后面的输入 。当输入数据具有依赖性且是序列模式时，RNN 对之前发生在数据序列中的事是有一定记忆的，这有助于系统获取上下文 。
基于RNN还衍生出了LSTM（Long-Short-Term-Memerory）和GRU（Gated Recurrent Unit）等一系列算法，这些算法拥有记住过去的能力，所以可以用来处理一些有时间序列属性的数据，在处理语言、文字等方面有独到的优势 。
LSTM和GRU的优点是具备与其它递归神经网络一样的优点，但因为它们有更好的记忆能力，所以更常被使用 。
递归神经网络是一个判别模型，既支持分类问题，也支持回归问题，并且支持多分类问题 。
主要用途：语言建模、文本生成、机器翻译、语音识别、生成图像描述 。

【AI知识点汇总】


推荐阅读


上一篇：电脑病毒“销声匿迹”？其实它只是“换对象”了

下一篇：在 Linux 中解决“Unacceptable TLS certificate”的问题