深度學(xué)習(xí)干貨｜基于Tensorflow深度神經(jīng)網(wǎng)絡(luò)(DNN)詳解

深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks，簡(jiǎn)稱DNN)是深度學(xué)習(xí)的基礎(chǔ)，想要學(xué)好深度學(xué)習(xí)，首先我們要理解DNN模型。

DNN的基本結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)是基于感知機(jī)的擴(kuò)展，而DNN可以理解為有很多隱藏層的神經(jīng)網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)DNN其實(shí)也基本一樣，DNN也叫做多層感知機(jī)(MLP)。

DNN按不同層的位置劃分，神經(jīng)網(wǎng)絡(luò)層可以分為三類，輸入層，隱藏層和輸出層，如下圖示例，一般來(lái)說(shuō)第一層是輸入層，最后一層是輸出層，而中間的層數(shù)都是隱藏層。

層與層之間是全連接的，也就是說(shuō)，第i層的任意一個(gè)神經(jīng)元一定與第i+1層的任意一個(gè)神經(jīng)元相連。雖然DNN看起來(lái)很復(fù)雜，但是從小的局部模型來(lái)說(shuō)，它還是和感知機(jī)一樣，即一個(gè)線性關(guān)系加上一個(gè)激活函數(shù)。

訓(xùn)練過(guò)程中包含前向傳播算法和后向傳播算法

DNN前向傳播算法

就是利用若干個(gè)權(quán)重系數(shù)矩陣W,偏倚向量b來(lái)和輸入值向量X進(jìn)行一系列線性運(yùn)算和激活運(yùn)算，從輸入層開(kāi)始，一層層地向后計(jì)算，一直到運(yùn)算到輸出層，得到輸出結(jié)果為值。

DNN反向傳播算法

如果我們采用DNN的模型，即我們使輸入層n_in個(gè)神經(jīng)元，而輸出層有n_out個(gè)神經(jīng)元。再加上一些含有若干神經(jīng)元的隱藏層，此時(shí)需要找到合適的所有隱藏層和輸出層對(duì)應(yīng)的線性系數(shù)矩陣W，偏倚向量b，讓所有的訓(xùn)練樣本輸入計(jì)算出的輸出盡可能的等于或很接近樣本輸出，怎么找到合適的參數(shù)呢？

在進(jìn)行DNN反向傳播算法前，我們需要選擇一個(gè)損失函數(shù)，來(lái)度量訓(xùn)練樣本計(jì)算出的輸出和真實(shí)的訓(xùn)練樣本輸出之間的損失。接著對(duì)這個(gè)損失函數(shù)進(jìn)行優(yōu)化求最小化的極值過(guò)程中，反向不斷對(duì)一系列線性系數(shù)矩陣W,偏倚向量b進(jìn)行更新，直到達(dá)到我們的預(yù)期效果。

在DNN中，損失函數(shù)優(yōu)化極值求解的過(guò)程最常見(jiàn)的一般是通過(guò)梯度下降法來(lái)一步步迭代完成的，也可以是其他的迭代方法比如牛頓法與擬牛頓法。

深度學(xué)習(xí)過(guò)擬合問(wèn)題

解決方法如下：

獲取更多數(shù)據(jù)：從數(shù)據(jù)源獲得更多數(shù)據(jù)，或數(shù)據(jù)增強(qiáng)；數(shù)據(jù)預(yù)處理：清洗數(shù)據(jù)、減少特征維度、類別平衡；增加噪聲：輸入時(shí)+權(quán)重上(高斯初始化)；正則化：限制權(quán)重過(guò)大、網(wǎng)絡(luò)層數(shù)過(guò)多，避免模型過(guò)于復(fù)雜；多種模型結(jié)合：集成學(xué)習(xí)的思想；Dropout：隨機(jī)從網(wǎng)絡(luò)中去掉一部分隱神經(jīng)元；限制訓(xùn)練時(shí)間、次數(shù)，及早停止。核心代碼