1、Tensorflow与深度学习,课程第六天-神经网络,1、神经网络基础2、人工神经网络（ANN）3、Mnist数据集浅层神经网络分析4、卷积神经网络（CNN）5、Mnist数字图片识别,神经网络基础,1、感知机2、人工神经网络,感知机,有n个输入数据，通过权重与各数据之间的计算和， 比较激活函数结果，得出输出应用：很容易解决与、或、非问题,Rosenblatt在1957年，于Cornell航空实验室时所发明的一种 人工神经网络,感知机与逻辑回归的联系与区别,激活函数、结果分析,神经网络的发展,定义：在机器学习和认知科学领域，人工神经网络（artificial neural network， 缩
2、写ANN），简称神经网络（：neural network，缩写NN）或类神经网络，是一 种模仿生物神经网络的结构和功能的计算模型，用于对函数进行估计或近似。,神经网络的种类： 基础神经网络：单层感知器，线性神经网络，BP神经网络，Hopfield神经网络等 进阶神经网络：玻尔兹曼机，受限玻尔兹曼机，递归神经网络等 深度神经网络：深度置信网络，卷积神经网络，循环神经网络，LSTM网络等,杰弗里埃弗里斯特辛顿 （英语：Geoffrey Everest Hinton）（1947年12月6日）是一位英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法的发明人之一，也是深度学
3、习的积极推动者。,Geoffrey Hinton,Yann Lecun,Yoshua Bengio,Andrew Ng,神经网络的特点,输入向量的维度和输入神经元的个数相同 每个连接都有个权值 同一层神经元之间没有连接 由输入层，隐层，输出层组成 第N层与第N-1层的所有神经元连接，也叫全连接,结构（Architecture）例如，神经网络中的变量可以是神经元连接的权重 激励函数（Activity Rule）大部分神经网络模型具有一个短时间尺度的动力学规则，来定义神经元如何根据其他神经元的活动来改变自己的激励值。 学习规则（Learning Rule）学习规则指定了网络中的权重如何随着时间推进
4、而调整。（反向传播算法）,神经网络的组成,浅层人工神经网络模型,1、SoftMax回归2、损失计算API3、其他方法API介绍,Mnist数据集神经网络分析,one-hot编码分析,one-hotAPI介绍,from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True),获取数据,SoftMax回归,公式：,1、全连接-从输入直接到输出,特征加权： tf.matmul(a, b,name=None)+bias re
5、turn:全连接结果，供交叉损失运算 不需要激活函数（因为是最后的输出）,想一想线性回归的损失函数，那么如何去 衡量神经网络的损失？,损失计算-交叉熵损失公式（了解）,公式：,注：,为神经网络结果， 为真实结果。每个类别都有一个损失结果 最后需要求平均损失,2、SoftMax计算、交叉熵,tf.nn.softmax_cross_entropy_with_logits(labels=None, logits=None,name=None)计算logits和labels之间的交叉损失熵 labels:标签值（真实值） logits：样本加权之后的值 return:返回损失值列表,损失值列表平均值计
6、算,tf.reduce_mean(input_tensor) 计算张量的尺寸的元素平均值,其他方法-损失下降API,tf.train.GradientDescentOptimizer(learning_rate) 梯度下降优化 learning_rate:学习率，一般为 minimize(loss):最小化损失 return:梯度下降op,准确性计算,1、equal_list = tf.equal(tf.argmax(y, 1), tf.argmax(y_label, 1),2、accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32),
7、准确率,Mnist数据集神经网络实现流程,1、准备数据2、全连接结果计算3、损失优化4、模型评估（计算准确性）,深层的神经网络,深度学习网络与更常见的单一隐藏层神经网络的区别在于深度，深度学 习网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征。 随着神经网络深度增加，节点所能识别的特征也就越来越复杂。,卷积神经网络,1、卷积神经网络与简单的全连接神经网络的比较2、卷积神经网络的发展历史3、卷积神经网络的结构分析4、卷积网络API介绍,全连接神经网络的缺点,参数太多，在cifar-10的数据集中，只有32*32*3，就会 有这么多权重，如果说更大的图片，比如200*200*3就需
8、要120000多个，这完全是浪费 没有利用像素之间位置信息，对于图像识别任务来说， 每个像素与周围的像素都是联系比较紧密的。 层数限制,卷积神经网络的发展历史,卷积神经网络错误率,卷积神经网络的结构分析,神经网络(neural networks)的基本组成包括输入层、隐藏层、 输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层 (pooling layer，又叫下采样层)。 卷积层：通过在原始图像上平移来提取特征，每一个特征 就是一个特征映射 池化层：通过特征后稀疏参数来减少学习的参数，降低 网络的复杂度，（最大池化和平均池化）,数据变化,卷积神经网络的结构,1、卷积层过滤器 个数 大小
9、 步长 零填充卷积层输出深度、输出宽度 深度由过滤器个数决定 输出宽度：1、激活函数1、池化层2、全连接层,卷积层计算过程（一个通道一个Filter一步长）,卷积层计算过程（当步长为2的时候）,卷积层的零填充,卷积核在提取特征映射时的动作称之为padding（零填充），由于移动步长不 一定能整出整张图的像素宽度。其中有两种方式，SAME和VALIDSAME：越过边缘取样，取样的面积和输入图像的像素宽度一致。 VALID：不越过边缘取样，取样的面积小于输入人的图像的像素宽度,如果需要卷积之后输出大小一样：零填的大小为2,卷积网络API介绍,卷积层： tf.nn.conv2d(input, fil
10、ter, strides=, padding=, name=None) 计算给定4-D input和filter张量的2维卷积 input：给定的输入张量，具有batch,heigth,width, channel，类型为float32,64 filter：指定过滤器的大小，filter_height, filter_width, in_channels, out_channels strides：strides = 1, stride, stride, 1,步长 padding：“SAME”, “VALID”，使用的填充算法的类型， 使用“SAME”。其中”VALID”表示滑动超出部分舍弃，
11、 “SAME”表示填充，使得变化后height,width一样大,多通道图片-外围补充与多Filter,新的激活函数-Relu,第一，采用sigmoid等函数，反向传播求误差梯度时，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多第二，对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（求不出权重和偏置）,激活函数： tf.nn.relu(features, name=None)features:卷积后加上偏置的结果 return:结果,池化层(Pooling)计算,Pooling层主要的作用是特征提取，通过去掉Feature Map中不重要的样本，进一步减
12、少参数数量。Pooling的方法很多，最常用的是Max Pooling。,池化： tf.nn.max_pool(value, ksize=, strides=, padding=,name=None) 输入上执行最大池数 value:4-D Tensor形状batch, height, width, channels ksize:池化窗口大小，1, ksize, ksize, 1 strides:步长大小，1,strides,strides,1 padding:“SAME”, “VALID”，使用的填充算法的类型， 使用“SAME”,Full Connected层,分析：前面的卷积和池化相当于做特征工程，后面的全连接相当于做特征加权。最后的全连接层在整个卷积神经网络中起到“分类器”的作用。,Mnist手写数字图片识别卷积网络案例,Mnist数据集人工神经网络分析,Mnist数字识别卷积实现,流程：1、准备数据2、卷积、激活、池化（两层）3、全连接层4、计算准确率,常见卷积网络模型的结构,LeNet：1986年,AlexNet：2012年,60M以上的参数总量,GoogleNet：,Thank you!,
