「小長假三天入門AI數字識別」人工智慧原理

全文共

1076

字，預計閱讀時長

3

分鐘

自己動手寫一個TensorFlow數字識別系統

自己動手寫一個TensorFlow數字識別系統

第二課

第二課

五一小長假第二天啦，不知道昨天的那堂課，大家都掌握得如何了？今天是《自己動手寫一個TensorFlow數字識別系統》系列教程的第二課：《人工智慧原理》，希望大家能繼續保持學習的熱情~加油幹吶！

——人工智慧原理

——人工智慧原理

：顧名思義，是讓計算機進行“學習”，也就是透過數學和計算機科學實現類似於x->y的對映的表達形式，大用於資料分類或者預測工作。比如房價預測、股市預測、天氣預測、影象分類特徵提取等

：從海量資料中尋找資料的規律、相似等。

：機器學習中的一個分支的延伸，是一種機器學習中基於對資料進行表徵學習的方法。

1 人工智慧的幾大概念

機器學習數學思維是一種機器判斷的思維方式，生活中幾乎所有事物一定程度上都可以轉化為數學問題。

例如：你如何去判定一個人是不是你喜歡的？

前提：Y是喜歡

頭髮不長+臉蛋好不好看+是不是異性……=X

X>=Y？

喜歡（喜歡）

對於其他事情的判斷也是如此。

1 人工智慧的幾大概念

首先了解一下生物神經元是如何工作的。

我們可以概括出生物神經網路的假定特點：

1。每個神經元都是一個多輸入單輸出的資訊處理單元；

2。神經元輸入分興奮性輸入和抑制性輸入兩種型別；

3。神經元具有空間整合特性和閾值特性；

4。神經元輸入與輸出有固定的時滯主要取決於突觸延擱。

根據以上特點，我們就可以仿照生物神經元的原理建立計算機的神經元。

那麼當數值到達要求，怎麼才能做出反應呢？

我們需立一個啟用函式。

什麼是池化——

什麼是連線層——

截止到目前為止，我們整體的“網路”部分已經做好，接下來是最佳化，也就是“學習”的部分。

最佳化，顧名思義就是讓我們的模型對某一種資料識別效果達到“最優”。那麼怎麼衡量“最優”？這裡我們就要引入一種代價函式來描述當前這個模型的誤差值大小，下圖是最初的二次代價函式（方差）和如今使用的較多的交叉熵（cros-entropy，也就是 mnist網路種使用的代價函式）的區別，以及和為什麼要使用交叉熵。

值得一提的是，為什麼有那麼多的啟用函式，但現在的主流都使用ReLU函式？

可以明顯看到，下圖中的 Sigmoid和tanh函式在訓練剛開始和快結束時（也就是Loss最大和最小的階段），它的導數趨近於0。這樣進行最佳化時速度就會非常慢，如果網路深了的話就會出現梯度彌散的現象（完全不能進行學習），然而ReLU卻不會。所以加入ReLU可以提升訓練速度，但是一定程度上也減少了提取出的特徵的數量。

最後，我們再用一個圖把全過程總結一下：

是不是資訊量太大，無法一下子消化？沒關係，收藏好這篇教程，在空閒時間多多翻看多多琢磨，相信你會有不一樣的收穫哦！

·機器學習

·資料探勘

如需轉載，請後臺留言，遵守轉載規範