深度学习基础知识①
本学期学习了深度学习这门课，本着复习的想法，记录一下深度学习的相关知识
监督学习
机器学习分为监督学习，无监督学习和半监督学习。
监督学习，通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现预测和分类的目的，也就具有了对未知数据进行预测和分类的能力。简单来说，就像有标准答案的练习题，然后再去考试，相比没有答案的练习题然后去考试准确率更高。监督学习中的数据中是提前做好了分类信息的， 它的训练样本中是同时包含有特征和标签信息的，因此根据这些来得到相应的输出。
无监督学习
即训练样本的标记信息未知， 目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础，此类学习任务中研究最多、应用最广的是"聚类"(clustering)，聚类目的在于把相似的东西聚在一起，主要通过计算样本间和群体间距离得到。
卷积神经网络相关知识
①常用激活函数
Relu函数h(x)=max{x,0}
sigmoid函数h(x)=1/(1+exp(-x))∈[0,1]
②CNN的层的连接顺序是“Convolution - ReLU -(Pooling)“是一个基本模块
③卷积层相关知识
-
CNN 中，将卷积层的输入输出数据称为特征图(feature map)。其中，卷积层的输入数据称为输入特征图(input
featuremap)，输出数据称为输出特征图(output feature map) 卷积运算：提取图像特征 -
在全连接的神经网络中，除了权重参数，还存在偏置。CNN 中，滤波 器的参数就对应之前的权重。并且，CNN 中也存在偏置。
-
在进行卷积层的处理之前，有时要向输入数据的周围填入固定的数据(比如 0
等)，这称为填充(padding)，是卷积运算中经常会用到的处理。使用填充主要是为了调整输出的大小。如下图， 通过填充，大小为 (4, 4) 的输入数据变成了 (6, 6) 的形状。 然后，应用大小为 (3, 3) 的滤波器，生成了大小为 (4, 4) 的输出数据。这个例 子中将填充设成了 1，不过填充的值也可以设置成 2、3 等任意的整数
-
应用滤波器的位置间隔称为步幅(stride)。之前的例子中步幅都是 1，如果将步幅设为 2，应用滤波器的窗口的间隔变为 2 个元
- 卷积运算输出的公式如下***：假设输入大小为 (H, W)，滤波器大小为 (FH, FW)，输出大小为 (OH, OW)，填充为P，步幅为 S。此时，输出大小可通过下式 进行计算。
输入大小:(4, 4);填充:1;步幅:1;滤波器大小:(3, 3) 输出的大小为 ：
3 维数据的卷积运算
这里以 3 通道的数据为例，可以发现纵深方向(通道方向)上特征图增加了。通道方向上有多个特征图时，会按通道 进行输入数据和滤波器的卷积运算，并将结果相加，从而得到输出
需要注意的是，在 3 维数据的卷积运算中，输入数据和滤波器的通道数 要设为相同的值。在这个例子中，输入数据和滤波器的通道数一致，均为 3。 滤波器大小可以设定为任意值(不过，每个通道的滤波器大小要全部相同)。
把 3 维数据表示为多维数组 时，书写顺序为(channel, height, width)。比如，通道数为C、高度为H、 长度为 W 的数据的形状可以写成(C, H, W)。滤波器也一样，通道数为 C、滤波器高度为 FH(FilterHeight)、长度为 FW(Filter Width)时，可以写成(C, FH, FW)。
可以这样理解一个滤波器和一组RGB图像进行卷积运算会生成一维的特征图
通过应用 FN 个滤波器，输出特征图也生成了 FN 个。如果 将这 FN 个特征图汇集在一起，就得到了形状为 (FN, OH, OW) 的方块。将 这个方块传给下一层，就是 CNN 的处理流。
关于卷积运算的滤波器，也必须考虑滤波器的数量。
因此，作为 4 维数据，滤波器的权重数据要按 (output_channel, input_ channel, height, width) 的顺序书写。比如，通道数为 3、大小为 5 × 5 的滤 波器有 20 个时，可以写成 (20, 3, 5, 5)
这个output_channel其实是滤波器的个数
每个通道只有一个偏置。这里，偏置的形状是 (FN, 1, 1)
批处理
神经网络的处理中进行了将输入数据打包的批处理。之前的全连接神经 网络的实现也对应了批处理。
我们希望卷积运算也同样对应批处理。为此，需要将在各层间传递的数 据 保 存 为 4 维 数 据。具 体 地 讲，就 是 按 (batch_num, channel, height, width) 的顺序保存数据。比如，将上图 中的处理改成对 N 个数据进行批处理时， 数据的形状如下图 所示
⑦池化操作
池化分为max pooling 和 average pooling即最大池化和平均池化。“Max 池化”是获取最大值的运算，Average 池化则是计算目标区域的平均值
下图的例子是按步幅 2 进行 2 × 2 的 Max 池化时的处理顺序。“Max 池化”是获取最大值的运算，“2 × 2”表示目标区域的大小。
如图所示，从 2 × 2 的区域中取出最大的元素。此外，这个例子中将步幅设为了 2，所以 2 × 2 的窗口的移动间隔为 2 个元素。另外，一般来说，池化的窗口大小会 和步幅设定成相同的值。比如，3 × 3 的窗口的步幅会设为 3，4 × 4 的窗口 的步幅会设为 4 等。
池化层的特征
没有要学习的参数
池化层和卷积层不同，没有要学习的参数。池化只是从目标区域中取最 大值(或者平均值)，所以不存在要学习的参数。
通道数不发生变化
经过池化运算，输入数据和输出数据的通道数不会发生变化，计算是按通道独立进行的。