機器學習——深度學習(Deep Learning)

wankunde 8年前發布 | 35K 次閱讀機器學習

來自： http://blog.csdn.net/geekmanong/article/details/50562036

Deep Learning是機器學習中一個非常接近AI的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，最近研究了機器學習中一些深度學習的相關知識，本文給出一些很有用的資料和心得。

Key Words：有監督學習與無監督學習，分類、回歸，密度估計、聚類，深度學習，Sparse DBN，

1. 有監督學習和無監督學習

給定一組數據(input，target)為Z=(X，Y)。

有監督學習：最常見的是regression & classification。

regression：Y是實數vector。回歸問題，就是擬合(X，Y)的一條曲線，使得下式cost function L最小。

classification：Y是一個finite number，可以看做類標號。分類問題需要首先給定有label的數據訓練分類器，故屬于有監督學習過程。分類問題中，cost function L(X,Y)是X屬于類Y的概率的負對數。

，其中f_i(X)=P(Y=i | X);

無監督學習：無監督學習的目的是學習一個function f，使它可以描述給定數據的位置分布P(Z)。包括兩種：density estimation & clustering.

density estimation就是密度估計，估計該數據在任意位置的分布密度

clustering就是聚類，將Z聚集幾類（如K-Means），或者給出一個樣本屬于每一類的概率。由于不需要事先根據訓練數據去train聚類器，故屬于無監督學習。

PCA和很多deep learning算法都屬于無監督學習。

2. 深度學習Deep Learning介紹

Depth 概念：depth: the length of the longest path from an input to an output.

Deep Architecture 的三個特點：深度不足會出現問題；人腦具有一個深度結構（每深入一層進行一次abstraction，由lower-layer的features描述而成的feature構成，就是上篇中提到的feature hierarchy問題，而且該hierarchy是一個稀疏矩陣）；認知過程逐層進行，逐步抽象

3篇文章介紹Deep Belief Networks，作為DBN的breakthrough

3.Deep Learning Algorithm 的核心思想：

把learning hierarchy 看做一個network，則

①無監督學習用于每一層網絡的pre-train；

②每次用無監督學習只訓練一層，將其訓練結果作為其higher一層的輸入；

③用監督學習去調整所有層

這里不負責任地理解下，舉個例子在Autoencoder中，無監督學習學的是feature，有監督學習用在fine-tuning. 比如每一個neural network 學出的hidden layer就是feature，作為下一次神經網絡無監督學習的input……這樣一次次就學出了一個deep的網絡，每一層都是上一次學習的hidden layer。再用softmax classifier去fine-tuning這個deep network的系數。

這三個點是Deep Learning Algorithm的精髓，我在上一篇文章中也有講到，其中第三部分：Learning Features Hierachy & Sparse DBN就講了如何運用Sparse DBN進行feature學習。

4. Deep Learning 經典閱讀材料：

The monograph or review paper Learning Deep Architectures for AI (Foundations & Trends in Machine Learning, 2009).

The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list of references.

The LISA public wiki has a reading list and a bibliography.

Geoff Hinton has readings from last year’s NIPS tutorial.

闡述Deep learning主要思想的三篇文章：

Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006

Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007<比較了RBM和Auto-encoder>

Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007<將稀疏自編碼用于回旋結構(convolutional architecture)>

06年后，大批deep learning文章涌現，感興趣的可以看下大牛Yoshua Bengio的綜述Learning deep architectures for {AI},不過本文很長，很長……

5. Deep Learning工具—— Theano

Theano是deep learning的Python庫，要求首先熟悉Python語言和numpy，建議讀者先看Theano basic tutorial，然后按照Getting Started 下載相關數據并用gradient descent的方法進行學習。

學習了Theano的基本方法后，可以練習寫以下幾個算法：

有監督學習：

Logistic Regression - using Theano for something simple
Multilayer perceptron - introduction to layers
Deep Convolutional Network - a simplified version of LeNet5

無監督學習：

Auto Encoders, Denoising Autoencoders - description of autoencoders
Stacked Denoising Auto-Encoders - easy steps into unsupervised pre-training for deep nets
Restricted Boltzmann Machines - single layer generative RBM model
Deep Belief Networks - unsupervised generative pre-training of stacked RBMs followed by supervised fine-tuning