32小说 通过搜索各大小说站为您自动抓取各类小说的最快更新供您阅读!

对于这个神经网络的训练过程,就是要确定这11935个参数。

训练的目标可以粗略概括为:对于每一个训练样本,对应的输出无限接近于1,而其它输出无限接近于0。

根据MichaelNielsen给出的实验结果,以上述网络结构为基础,在未经过调优的情况下,可以轻松达到95%的正确识别率。而核心代码只有74行!

在采用了深度学习的思路和卷积网络(convolutionalnetworks)之后,最终达到了99.67%的正确识别率。而针对MNIST数据集达到的历史最佳成绩是99.79%的识别率,是由LiWan,MatthewZeiler,SixinZhang,YannLeCun,和RobFergus在2013年做出的。

考虑到这个数据集里还有一些类似如下这样难以辨认的数字,这个结果是相当惊人的!它已经超越了真正人眼的识别了。

在这个过程中一步步调整权重和偏置参数的值,就必须引入梯度下降算法(gradientdescent)。

在训练的过程中,我们的神经网络需要有一个实际可行的学习算法,来逐步调整参数。

而最终的目的,是让网络的实际输出与期望输出能够尽量接近。我们需要找到一个表达式来对这种接近程度进行表征。这个表达式被称为代价函数(costfunction)

x表示一个训练样本,即网络的输入。其实一个x代表784个输入。

y(x)表示当输入为x的时候,期望的输出值;而a表示当输入为x的时候,实际的输出值。y(x)和a都分别代表10个输出值(以数学上的向量来表示)。而它们的差的平方,就表征了实际输出值和期望输出值的接近程度。越接近,这个差值就越小。

n是训练样本的数量。假设有5万个训练样本,那么n就是5万。因为是多次训练,所以要除以n对所有训练样本求平均值。

C(w,b)的表示法,是把costfunction看成是网络中所有权重w和偏置b的函数。为什么这样看呢?进行训练的时候,输入x是固定的(训练样本),不会变。在认为输入不变的情况下,这个式子就可以看成是w和b的函数。那么,式子右边的w和b在哪呢?实际上,在a里面。y(x)也是固定值,但a是w和b的函数。

总结来说,C(w,b)表征了网络的实际输出值和期望输出值的接近程度。越接近,C(w,b)的值就越小。因此,学习的过程就是想办法降低C(w,b)的过程,而不管C(w,b)的表达形式如何,它是w和b的函数,这就变成了一个求函数最小值的最优化问题。

由于C(w,b)的形式比较复杂,参数也非常多,所以直接进行数学上的求解,非常困难。

为了利用计算机算法解决这一问题,计算机科学家们提出了梯度下降算法(gradientdescent)。

这个算法本质上是在多维空间中沿着各个维度的切线贡献的方向,每次向下迈出微小的一步,从而最终抵达最小值。

由于多维空间在视觉上无法体现,所以人们通常会退到三维空间进行类比。当C(w,b)只有两个参数的时候,它的函数图像可以在三维空间里呈现。

就好像一个小球在山谷的斜坡上向下不停地滚动,最终就有可能到达谷底。这个理解重新推广到多维空间内也基本成立。

而由于训练样本的数量很大(上万,几十万,甚至更多),直接根据前面的C(w,b)进行计算,计算量会很大,导致学习过程很慢。

、于是就出现了随机梯度下降(stochasticgradientdescent)算法,是对于梯度下降的一个近似。

在这个算法中,每次学习不再针对所有的训练集,而是从训练集中随机选择一部分来计算C(w,b),下一次学习再从剩下的训练集中随机选择一部分来计算,直到把整个训练集用光。然后再不断重复这一过程。

深度神经网络(具有多个hiddenlayer)比浅层神经网络有更多结构上的优势,它有能力从多个层次上进行抽象。

从上个世纪八九十年代开始,研究人员们不断尝试将随机梯度下降算法应用于深度神经网络的训练,但却碰到了梯度消失(vanishinggradient)或梯度爆发(explodinggradient)的问题,导致学习过程异常缓慢,深度神经网络基本不可用。

然而,从2006年开始,人们开始使用一些新的技术来训练深度网络,不断取得了突破。这些技术包括但不限于:

采用卷积网络(convolutionalnetworks);

Regularization(dropout);

Rectifiedlinearunits;

利用GPU获得更强的计算能力等。

深度学习的优点显而易见:这是一种全新的编程方式,它不需要我们直接为要解决的问题设计算法和编程,而是针对训练过程编程。

这章没有结束^.^,请点击下一页继续阅读!

32小说推荐阅读: 诸天如画不朽星空混迹在电影世界末世大回炉吞噬星空之荒古圣体神纹战记从抽卡开始的神祇时代钢铁王座畅游诸天影视世界全球御兽:只有我能看到隐藏信息史上最强万界掠夺万界最强共享系统混迹在影视世界大汉的旗帜插遍影视位面我的仙域连通诸天万界世界重叠我在基金会三十年无限之时空大盗心灵使徒之第二地球黑雾之下全球进化荒野求生之海洋签到从精武英雄开始末世英雄大盖伦正派崛起正阳门下四合院,我成了韩家老六我真没想当救世主啊末世之渊星际仙途诸天信条美漫之开局一把斩魄刀逐道在诸天我的一天有48小时位面之修仙生涯末日战神诸天之无尽审判我能暂停时间我抽中了聊天群被穿越的境界线我在末世光速挥刀超级猎人诸天最强玉帝末世之无限兑换全球进入大洪水时代此刻:全球进入武道时代影视世界首席玩家未来天王星兽王无敌战斗力系统全球凶兽:开局一把轩辕剑
32小说搜藏榜: 吞噬星空玄幻之我在未来捡属性诸天从全真开始全球废土:所有玩家都在给我打工我的超神空间无限幻想大冒险诸天万界神龙进化系统末日领主我演化了诸天玩转次元位面末世求生:开局100万母体丧尸吞噬星空之我为最强登天浮屠位面之修仙生涯轮回空间:我,借假修真!全民领主:开局做出百万选择港综:开局拒绝卧底星空前进之路赛博奥术师万界地府系统生存地区诸天投影我的大脑里有电脑末日战神我不是洪荒大佬矩阵游戏影视世界游记人类毁灭之时超神宇宙里的战锤舰队召唤萌战记圣皇魔灵全球末世:所有奖励翻100倍吞噬星空之法则分身丧尸狂潮从侠客行开始畅游诸天无限卡徒兑换狂人破尽诸天世界时空之头号玩家位面劫匪诸天之无尽审判诸天一道电影世界大夺宝末日之无限兑换开发者论坛恐怖网文神话复苏:我变强就靠吞我是幸存者我有个末世世界我有一座诸天回收站
32小说最新小说: 星际开荒:我有一颗原生态的星球末世,提前觉醒庇护所异相都市龙腾宇内星际江湖生化王朝异形转生末世虫潮恐怖通缉令兑换狂人末日之无限兑换无限斩杀无限之恶人无限之黑暗势力崛起天才维修工星河大时代斩破空宇无限之血脉进化异能时代武布天下时空旅行者的探险队末世危机之我能升级唯一进化者末世之超市系统降临深渊最终救赎机破苍穹神武重生之蟒龙传说末世之三宫六院狂暴连击致命武力之新世界极限微操星际屠夫单机连杀末世之无限双修位面审判者代理舰长的幸福生活末世星辰末世超级进化者末世控植师异界之星际漂流无限之召唤笔记神服荒岛漂流记穿越者公敌植物制卡师传奇一个人的时空走私帝国末世收割者无限末路