機(jī)器學(xué)習(xí) 課件 第10章 人工神經(jīng)網(wǎng)絡(luò)

第10章人工神經(jīng)網(wǎng)絡(luò)《機(jī)器學(xué)習(xí)》胡曉10.1神經(jīng)元及基本模型

神經(jīng)元(Neuron)是人腦神經(jīng)系統(tǒng)的基本單元，負(fù)責(zé)接收和傳遞神經(jīng)信號(hào)

通過(guò)突觸(Synapse)與下一層神經(jīng)元的樹(shù)突連接起來(lái)，從而構(gòu)成基本神經(jīng)通路。美國(guó)心理學(xué)家FrankRosenblatt提出的感知機(jī)模擬了神經(jīng)元的細(xì)胞膜電位累加和激活過(guò)程，建立了神經(jīng)元的基本模型：線性變換和激活。

10.1神經(jīng)元及基本模型

10.2激活函數(shù)

10.2激活函數(shù)

校正線性單元泄露校正線性單元指數(shù)線性單元軟加函數(shù)softplus

10.2激活函數(shù)Swish激活函數(shù)2017年，GoogleBrain研究人員經(jīng)過(guò)大規(guī)模搜索發(fā)現(xiàn)一種在許多任務(wù)上比ReLU性能更好的非線性激活函數(shù)，稱為Swish，

10.3感知機(jī)感知機(jī)是1957年FrankRosenblatt在MP模型基礎(chǔ)之上建立一個(gè)線性分類器。僅有一個(gè)神經(jīng)元，并用符號(hào)函數(shù)作為激活函數(shù)，感知機(jī)學(xué)習(xí)算法是一種錯(cuò)誤驅(qū)動(dòng)學(xué)習(xí)算法感知機(jī)的異或難題

10.4前饋神經(jīng)網(wǎng)絡(luò)10.4.1前饋神經(jīng)網(wǎng)絡(luò)模型前饋神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層之間有多個(gè)隱含層，各神經(jīng)元分屬于不同層。相鄰兩層神經(jīng)元采用全連接，即每個(gè)神經(jīng)元與相鄰層的所有神經(jīng)元相連接。每層神經(jīng)元可以接收前一層神經(jīng)元信號(hào)，并形成新信號(hào)，然后輸出到下一層。整個(gè)神經(jīng)網(wǎng)絡(luò)沒(méi)有反饋，信號(hào)從輸入層向輸出層單向傳播。

10.4前饋神經(jīng)網(wǎng)絡(luò)單個(gè)神經(jīng)元與前一層神經(jīng)元的信息傳遞關(guān)系當(dāng)前層所有神經(jīng)元與前一層神經(jīng)元的信息傳遞

10.4前饋神經(jīng)網(wǎng)絡(luò)

10.4前饋神經(jīng)網(wǎng)絡(luò)

10.4前饋神經(jīng)網(wǎng)絡(luò)10.4.3反向傳播算法

結(jié)合梯度下降法可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)10.5卷積神經(jīng)網(wǎng)絡(luò)

互相關(guān)和卷積

10.5卷積神經(jīng)網(wǎng)絡(luò)卷積層之所以稱該層為卷積層，因?yàn)檫@一層的基本操作是卷積，即一張或一組特征圖與濾波器核卷積。在神經(jīng)網(wǎng)絡(luò)中，把濾波器核在輸入特征圖覆蓋區(qū)域稱為感受野(ReceptiveField)，10.5.2卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖像卷積層中線性變換用矩陣表示為，

池化層在池化層主要完成特征圖的不重疊下采樣。池化函數(shù)主要有平局池化、最大池化、隨機(jī)池化和全局平均池化。10.5卷積神經(jīng)網(wǎng)絡(luò)10.5卷積神經(jīng)網(wǎng)絡(luò)10.5卷積神經(jīng)網(wǎng)絡(luò)10.5.3卷積神經(jīng)網(wǎng)絡(luò)殘差反向傳播解決如何把殘差往前級(jí)傳送。

10.6簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)10.6.1LeNet-51998年，LeCun等人提出LeNet-5是經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)。雖然LeNet簡(jiǎn)單，但模塊齊全。20世紀(jì)90年代被美國(guó)很多銀行使用，用來(lái)識(shí)別支票上面手寫(xiě)數(shù)字。網(wǎng)絡(luò)架構(gòu)由輸入層、3個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層和輸出層組成。其中，每個(gè)卷積層包括卷積和激活2個(gè)子層組成。10.6簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)10.6.2AlexNet

10.6簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)10.6.3VGG2014年，由牛津大學(xué)視覺(jué)幾何組(VisualGeometryGroup)提出VGGNet在ILSVRC中獲得了定位任務(wù)第1名和分類任務(wù)第2名，設(shè)計(jì)了A、A-LRN、B、C、D和E共6種網(wǎng)絡(luò)結(jié)構(gòu)，其中D和E分別是著名的VGG16和VGG19：(1)VGG16包含

13個(gè)卷積層和3個(gè)全連接層共16個(gè)隱藏層；(2)VGG19包含16個(gè)卷積層個(gè)3個(gè)全連接層共19個(gè)隱藏層。10.6簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)10.6.4Inception2014年至2016年，Google團(tuán)隊(duì)發(fā)表了多篇關(guān)于Inception的經(jīng)典論文詳細(xì)介紹了Inception演進(jìn)版本[15-18]：Inception-V1、-V2、-V3、-V4和Inception-ResNet等，10.6簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)10.6.5ResNet由微軟實(shí)驗(yàn)室的KaimingHe等人于2015年提出的殘差網(wǎng)絡(luò)(ResidualNetwork,ResNet)