TensorFlow+Keras 01 人工智能、機器學習、深度學習簡介

1 人工智能、機器學習、深度學習的關係

 「人工智能」 一詞最先是再20世紀50年代提出來的。算法

「 機器學習 」 是經過算法,使用大量數據進行訓練,訓練完成後會產生模型網絡

  • 有監督的學習 supervised learning
  • 無監督的學習 unsupervised learning
  • 加強式學習 reinforcement learning

已經應用領域:推薦引擎、定向廣告、需求預測、垃圾郵件過濾、醫學診斷、天然語言處理、搜索引擎、證券分析、視覺識別、語音識別、手寫識別等架構

「 深度學習 」 是機器學習的分支,其仿真人類神經網絡的工做方式,常見深度學習架構有機器學習

  • 多層感知器 multi-layer perceptron
  • 深度神經網絡 deep neural network ,DNN
  • 卷積神經網絡 convolutional neural network , CNN
  • 遞歸神經網路 recurrent neural network , RNN

已經應用領域:視覺識別,語音識別,天然語言處理,生物醫學等學習

 

另:優化

GPU(Graphics Processing Unit)爲圖形處理器,用於電腦的圖形運算,搜索引擎

CPU與GPU的架構有本質的不一樣,CPU 含有數顆核心,爲順序處理進行優化;而GPU 則擁有高達數千個小型且高效的核心,發揮強大並行計算能力。人工智能

深度學習以大量矩形運算模擬神經元的工做方式,該工做方式特別適合並行計算。GPU經過大量核心並行計算,在深度學習訓練中,GPU比CPU要快10~75倍。spa

Google 公司於2016年宣佈人工智能專用芯片 TPU(Tensor Processing Unit,張量處理單元 / 張量處理芯片)來進行計算;TPU 是專爲深度學習設計的特殊規格的邏輯芯片(IC),使得深度學習的訓練速度更快。設計

2 機器學習介紹

機器學習的訓練數據構成:

  • 數據特徵features
  • 數據標籤label

機器學習分爲兩個階段:

  • 訓練Training
  • 預測Predict

3 機器學習分類

3.1 有監督的學習

有監督的學習的數據具有特徵features、預測目標/標籤label兩要素。經過算法訓練並創建模型。當有新的數據時,咱們將其進行預測。

  • 二元分類,特徵features的標籤label有兩個(離散)選項。
  • 多元分類,特徵features的標籤label有至少兩個(離散)選項
  • 迴歸分析,特徵features的標籤label是連續的值。

3.2 無監督的學習

該方式無label標籤。

如 cluster 集羣算法將數據分紅幾個差別較大的羣組,而羣組內的類似度最高。

3.3 加強式學習

加強式學習原理:藉助定義動做actions、狀態states、獎勵rewards的方式不斷訓練機器按部就班,使其學會執行某項任務的算法。

常見算法有:Q-Learning、TD(Temporal Difference)、Sarsa 等。

如訓練機器玩《超級瑪麗》電子遊戲就是藉助不斷訓練學會玩遊戲,對應狀態有:

  • 動做:左、右、跳
  • 狀態:當前遊戲界面
  • 獎勵:得分、受傷

4 深度學習簡介

一個輸入層、一個輸出層、N個隱藏層,因此稱之爲深度學習。

相關文章
相關標籤/搜索