以下是最近在学习人工智能时整理的一点心得,没有很深的东西,觉得可以简单的了解一下机器学习与神经网络是什么

机器学习

所谓机器学习,就是在大量数据的运行下,使得计算机可以进行归纳,预测

机器学习分为三类:监督学习,无监督学习,强化学习

抛开强化学习不讲,这里的监督学习与无监督学习的根本区别在于:有无数据的标记(即y值)

我们将输入的数据称之为数据的特征,一组特征为一个样本,需要求得的结果为标签

例:

　　1. 有一组数据,格式为(身高,体重,BMI)

这里使用监督学习的效果为: 输入若干样本的特征值(身高,体重)与对应的标签(BMI),让计算机得出一个可以得出 Y=AX+b 这样的函数(称之为模型),然后对后续的样本值,根据模型计算得出标记

　　2.一组数据,格式为(身高,体重)        即无y值

无监督学习:   根据身高,体重将他们聚类,如高瘦的一组,低矮的一组

监督学习

监督学习分为:分类,回归

分类,就是指y为离散数据, 如通过 特征(尺寸,logo)判别 标签(手机品牌)

回归则是指y为连续数据,如上述通过 特征(身高,体重)判别 标签(bmi)

线性回归

以上面的身高,体重 BMI为例

(但是由于三维图不方便绘画,且认为BMI与身高相关,由二维开始理解原理)

如图1-1所示,我们可以看出来有一条虚线可以拟合出身高与BMI的关系,但是如何根据样本数据求得该直线

下面说一下机器学习的步骤:

W指权重,b指偏差值,y¹为预测的输出值,y为真实值      y¹ = wx+b

1. 我们不妨设w,b初始都为0,此时求得的所有y¹也为0
2. Loss函数(损失函数)指的是预测得出的y¹与真实的y的平方差,(此处加上1/2是为了计算方便),由图1-2可以看出,loss函数为凸函数,在导数(即斜率)为0时,loss函数值最小,即此时的w与b最佳,但由于很难做到预测的y¹完全等于y,所以在此处我们需要得出可以使得(y¹-y)²尽可能小的w与b

　　　　我们在开始y¹=0时,位于a₁点,由图1-2可以得出,始终沿着斜率下降的方向,我们总会走到最低点附近,此时的w与b满足loss函数最小,则y¹=wx+b为我们所求模型

　　　　具体请看公式1

　　　　根据斜率逐渐趋近于0来使得loss损失函数最小的方式称之为梯度下降(Gradient Descent)

　　3.对于y¹,y¹=wx+b, 因此上面的损失函数对y¹求导可以解析为L对w,b求导

　　又根据链式法则(图中公式),可以求出此处L对w与b的导数,然后根据求得结果重新定义w,b作为y¹的模型

　　根据先定义的w,b求得y¹,再根据y¹反推w,b并重构造,称作反向传播

　　4. 接下来就很好理解了,我们将样本不断输入,使得w,b不断地重构造,最终会得出结果使得Loss函数位于最低点附近,此时的模型就符合我们的需求

　　对于多个特征值来说,y¹=w₀x₀+w₁x₁+w₂x₂…+b 同理

逻辑回归

线性回归只可以拟合普通的线性函数,但是对于不满足线性条件无法做到,因此我们引入逻辑回归,构造非线性函数

逻辑回归公式,如图公式1(在线性回归基础上做了一个转换)

在逻辑回归中,损失函数与线性函数不同,使用交叉熵公式(但是原理一至)

同线性回归,对其进行梯度下降与反向传播,求出使得损失函数最小的w,b

逻辑回归是非线性回归,他可以拟合出下面这种情况(这里不谈过拟合/欠拟合的概念)

之所以逻辑回归可以这样表示,这就需要了解泰勒公式

e^x = 1+x+x^2/2!+x^3/3!+…+…

机器学习还有许多的内容,如:SVM,决策树,朴素贝叶斯…

神经网络

首先需要知道几个知识:

神经网络包含:输入层,隐层,输出层(对应输入样本特征,不可见的计算过程,输出的标签)

逻辑回归可以看做是最简单的神经网络

在计算神经网络层数时,往往不考虑输入层

逻辑回归LR与简单神经网络NN区别如图

神经网络的原理同逻辑回归 (梯度下降,反向传播)

理论证明:多层神经网络可以拟合任意函数

通过门,以及不断增加的神经元,可以得到所求函数的反函数的近似形状,然后再进行sigmod转型,得到目标函数

多层指  1~n层隐层 + 1层输出层

人工神经网络可以分为以下三种类型

DNN             深度神经网络

CNN             卷积神经网络

RNN             循环神经网络

其中,CNN常用来图像分析,        RNN用于自然语言处理,时序预测

结合智能网管业务业务存在忙时,闲时的场景具体分析,进行RNN的lstm进行时间预测分析

RNN神经网络

两层(多层)神经网络可以近似的拟合任意函数

　　但是对于非一般性的函数,

　　如:时间序列预测,NLP自然语言处理,机器翻译

　　这些由前面多个值影响后者的函数  就需要使用到RNN(循环神经网络)

RNN神经网络与普通神经网络不同点在于: 每一次的输出,不仅受当前影响,也受前几个输入值影响

比如:

天气的变化:          可以由前几个时间段的值来进行评估

自然语言处理:      由前面的词出现的频率对其进行预测

语音识别:             根据前面的语音进行预测

具体如下图,在考虑y值时,不仅需要计算x₄,还需要考虑到x_1-3,进行加权求和

根据一定数量的输入样本,进行前馈传播计算出y值,然后根据反向传播重定义w,b 不断缩减误差,训练出模型

由多层神经网络可以拟合任意函数得出结论: 若阈值与前若干个阈值存在一定的联系,则在RNN网络下,一定可以求出模型,近似拟合该函数

RNN不具备长期记忆能力, 如果间隔很长,会导致梯度爆炸,反向传播时会梯度消失,训练成本很大

x₀,x₁ 很难影响到 h_t+1 反向传播亦如此

现实意义就是很难由较多时间段前的数据影响到后者

(I’m from China,……..,I speak ___  ?Chinese)

因此采用RNN特殊类型的LSTM网络

LSTM

LSTM网络的核心就是解决了RNN的梯度爆炸/消失问题,可以学习长期依赖信息

下图是LSTM隐层的实现过程:

LSTM有三个门:

忘记门,输入门,输出门

忘记门

　　可以理解为当前值x_t 对前面向量和h_t-1 的影响,并对当前细胞状态C_t-1进行部分保留(如前面h_t-1为I come from … ,当前x_t为She,则将细胞状态C_t-1中遗忘掉I )

输入门

遗忘门负责将细胞状态中部分遗忘,添加则由输入门负责

输出门

经过计算后,得出输出的结果

所有RNN可以做的LSTM都可以做到,而且消除了梯度消失的问题.

搭建LSTM神经网络:

根据前20日的阈值来估计随后一天的阈值

1.引入数据,数据集按照时间排序,以[0:20][1:21]每20天的阈值 作为输入集, [21][22]…作为标签集  数据需要标准化

2. 搭建lstm神经网络,采用tensorflow框架,一层隐层,5个神经元

3.训练模型,训练数据为指定DN的前5/7个样本集,迭代10000次,以batch流输入,并保存模型

4.使用模型进行预测,

　　预测对象为指定DN的后2/7个样本集

　　第一组:    第一次输入层为20个时间段前的数据集合,接着将预测值插入输入层尾(即保持使用预测的值作为输入层)

　　第二组:    使用测试集进行预测

结果如图所示:

蓝色       训练集的阈值

黄色       全部基于预测的值不断迭代进行的分析

绿色       以测试集真实值X进行的预测

可以看出,在全部以预测的值为基础的前提下,开始的效果很好,但若是根据该值继续进行,越往后,偏差越大

如果以每日的准确阈值来对后几日进行预测,结果于真实值相差不多

总结

神经网络,我个人理解 就是一个找出最佳拟合函数模型的实现方式,根据样本的持续输入,由误差函数反向传播,推倒出w,b,训练出合适的模型

神经网络的底层就是机器学习/线性回归,在其基础上不断增加层数,增加神经元,来进行更为复杂的映射函数求解

原文地址：https://www.cnblogs.com/cyx-garen/p/9449549.html