機器學(xué)習(xí)理解

機器學(xué)習(xí)理解及TensorFlow應(yīng)用識別手寫數(shù)字為例 機器學(xué)習(xí)計算機只能處理數(shù)字算法如何理解數(shù)字可以承載信息案例12345目錄 特征舉例6 第一部分機器學(xué)習(xí)Part ONE AlphaGo人臉識別 自動駕駛量化金融機器學(xué)習(xí) 現(xiàn)實應(yīng)用 什么是學(xué)習(xí) 差 好學(xué)習(xí)不會 掌握 差變好不會變掌握學(xué)習(xí)前 學(xué)習(xí)后 結(jié)果學(xué)習(xí)學(xué)習(xí)的特點：自身主動發(fā)生變化 普通程序：如果效果很差，一定是在人為條件下修改才變好。機器學(xué)習(xí)：程序運行后，自發(fā)的產(chǎn)生變化，自動修改神經(jīng)網(wǎng)絡(luò)。人類機器機器學(xué)習(xí) 學(xué)習(xí)的含義 過程 機器學(xué)習(xí)區(qū)別 機器學(xué)習(xí)與傳統(tǒng)程序 有學(xué)習(xí)能力傳統(tǒng)程序無學(xué)習(xí)能力傳統(tǒng)的編程是人類自己積累經(jīng)驗并將這些經(jīng)驗轉(zhuǎn)換為規(guī)則或數(shù)學(xué)公式然后就是用編程語言去表示這些規(guī)則和公式。 在進(jìn)行機器學(xué)習(xí)時，人類不需要總結(jié)具體的規(guī)則或公式。只需制訂學(xué)習(xí)的步驟，然后將大量的數(shù)據(jù)輸入給計算機。計算機可以根據(jù)數(shù)據(jù)和人類提供的學(xué)習(xí)步驟自己總結(jié)經(jīng)驗，自動升級。規(guī)則+數(shù)據(jù)=答案 答案+數(shù)據(jù)=規(guī)則正確率沒有變化 正確率不斷提升算法決定 演示 自動駕駛學(xué)習(xí)前 學(xué)習(xí)后 目的：讓計算機學(xué)會開車 案例 識別手寫數(shù)字當(dāng)我給機器輸入手寫數(shù)字的圖片時，機器告訴我這個圖片是數(shù)字幾任務(wù)實現(xiàn) 3輸入 輸出案例 當(dāng)前用一個案例來講解機器學(xué)習(xí)的過程，案例包括包括代碼，運行演示，該任務(wù)的神經(jīng)網(wǎng)絡(luò)過程等等 第二部分算法是什么Part TWO 水果重量 水果價格1 22 43 6X Y Y = 2 * X算法：輸入數(shù)字與輸出數(shù)字之間的關(guān)系 算法可以理解為公式水果價格跟重量存在什么關(guān)系？ 如果重量等于4，那么價格是？價格是重量的兩倍，這就是價格和水果重量的關(guān)系這就是一個算法用來處理水果重量和水果價格的關(guān)系算法 什么是算法 引力公式輸入M：物體1質(zhì)量m：物體2質(zhì)量r：兩物體距離G：引力常量 輸出F：引力算法算法 現(xiàn)實中例子 第三部分?jǐn)?shù)字可以承載信息Part THREE 數(shù)字 承載信息 10 亮度低 通過控制電阻數(shù)值，控制了燈泡亮度此時，數(shù)字就包含著燈泡亮度的信息亮度高5 例如：風(fēng)扇按鈕上的數(shù)字就是代表風(fēng)量 第四部分計算機只能處理數(shù)字Part FOUR 計算機 自然世界 數(shù)字 計算機只認(rèn)識數(shù)字 圖片信息 數(shù)字信息 計算機識別手寫數(shù)字任務(wù)數(shù)字是連通自然世界和計算機世界的渠道 第五部分案例Part FIVE 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0.1 0.2 0.4 1 1 1 1 1 1 0.7 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0.2 0.5 0.9 0.9 1 1 1 1 1 1 1 1 0.6 0.1 0 0 0 0 00 0 0 0 0 0 0 0 0 0.7 1 1 1 1 1 1 1 1 1 1 1 1 0.2 0 0 0 0 00 0 0 0 0 0 0 0 0 0.4 1 1 0.9 0.5 0.5 0.5 0.5 0.7 1 1 1 1 0.2 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0.1 0.1 0.1 0 0 0 0 0.1 0.9 1 1 0.7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3 0.9 1 1 0.6 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3 0.7 1 1 1 0.1 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 0.8 1 1 1 1 0.8 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0.1 0.5 0.8 0.8 0.8 1 1 1 1 0.9 0.4 0.1 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0.2 0.9 1 1 1 1 1 1 1 1 0.7 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0.2 0.9 1 1 1 1 1 1 1 1 1 0.3 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0.1 0.5 0.2 0.2 0.2 0.2 0.2 0.6 1 1 0.3 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 1 1 0.3 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3 1 1 0.3 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0.3 0 0 0 0 0 0 0 0.4 0.9 1 1 0.3 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0.7 1 0.1 0 0 0 0 0.1 0.4 0.9 1 1 0.9 0.3 0 0 0 0 0 0 0 00 0 0 0 0 0.8 1 1 0.6 0.5 0.5 0.5 0.5 0.8 1 1 1 0.7 0.3 0 0 0 0 0 0 0 0 00 0 0 0 0 0.8 1 1 1 1 1 1 1 1 1 0.9 0.6 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0.2 0.6 1 1 1 1 1 0.8 0.8 0.6 0.2 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0.4 0.9 1 0.7 0.4 0.1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0人眼 計算機 案例 手寫數(shù)字識別 手寫數(shù)字識別 機器識別這些數(shù)字 28列28行 案例 圖片信息轉(zhuǎn)化為數(shù)字信息 28列 28行 圖片信息轉(zhuǎn)化為28行*28列的數(shù)字，總共784個數(shù)字，每個數(shù)字代表像素點的亮度 案例 整體模型 0 123456789輸入 神經(jīng)網(wǎng)絡(luò) 輸出28*28=784數(shù)字每個數(shù)字代表像素的亮度784數(shù)字作為輸入 輸出：圖片對應(yīng)各個數(shù)字的概率機器學(xué)習(xí)的工作就是訓(xùn)練神經(jīng)網(wǎng)絡(luò)訓(xùn)練好一個網(wǎng)絡(luò)需要成百上千甚至上萬次學(xué)習(xí)需要大量的數(shù)據(jù)作為訓(xùn)練樣本TensorFlow：用來生成神經(jīng)網(wǎng)絡(luò)當(dāng)你需要處理特定問題時，用TensorFlow來做出你需要的神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)包含輸入跟輸出之間的特征關(guān)系 案例 學(xué)習(xí)樣本下圖為學(xué)習(xí)樣本：用來給機器進(jìn)行學(xué)習(xí)的數(shù)據(jù)以紅圈這個數(shù)字為例：逗號左邊是輸入的數(shù)據(jù)，逗號右邊是這個數(shù)據(jù)的正確答案 案例 神經(jīng)網(wǎng)絡(luò)神經(jīng)元：是一個數(shù)字 神經(jīng)網(wǎng)絡(luò)：包含輸入與輸出之間關(guān)系的特征例：在貓狗識別中，貓有胡須，胡須就是其中一種特征，神經(jīng)網(wǎng)絡(luò)包含很多特征。 人腦神經(jīng)網(wǎng)絡(luò)機器神經(jīng)網(wǎng)絡(luò) 案例 學(xué)習(xí)結(jié)果輸出正確 輸出錯誤 反向傳播函數(shù)BP算法BP神經(jīng)網(wǎng)絡(luò)(BackPropagation)算對、算錯怎么辦功能：修正神經(jīng)網(wǎng)絡(luò)參數(shù)讓輸出值更加靠近答案 加強網(wǎng)絡(luò)減弱網(wǎng)絡(luò) 增大網(wǎng)絡(luò)參數(shù)減小網(wǎng)絡(luò)參數(shù)計算出概率后，將概率最大的數(shù)值作為答案給系統(tǒng)與正確答案進(jìn)行比較 例：如果運算結(jié)果是錯的，那么此時減弱網(wǎng)絡(luò)中的參數(shù)。相當(dāng)于，告訴機器，上一次識別時的網(wǎng)絡(luò)路徑是錯的。減小網(wǎng)絡(luò)參數(shù)后，機器下次走這條路徑的概率會減小結(jié)果上來看機器犯上次這條路徑錯誤的可能性就越來越小。最終就實現(xiàn)了學(xué)習(xí)。 案例 完整過程手寫數(shù)字圖片 正確答案 學(xué)習(xí)之前，把數(shù)據(jù)給機器這個數(shù)據(jù)包括兩個東西1.手寫數(shù)字圖片，也就是機器需要識別的內(nèi)容2.這個手寫數(shù)字圖片對應(yīng)的正確答案，用來告訴機器這次學(xué)習(xí)是否正確例如：識別手寫5，正確答案是5手寫5，這張圖片有28行*28列的像素，總共784個像素每個像素位置上的亮度用數(shù)字表示，也就是總共784個數(shù)字，這784個數(shù)字就代表手寫圖片這784個數(shù)字作為輸入，給到神經(jīng)網(wǎng)絡(luò)進(jìn)入神經(jīng)網(wǎng)絡(luò)后，通過計算會輸出對應(yīng)數(shù)字的概率大小例如：輸入手寫5，輸出是0到9的概率大小，結(jié)果顯示概率最大的數(shù)字是6，此時機器認(rèn)為，這張圖片83%可能是6。所以把6作為答案給到系統(tǒng)，但正確答案是5。 這時，用反向傳播函數(shù)，去修改神經(jīng)網(wǎng)絡(luò)的參數(shù)，使神經(jīng)網(wǎng)絡(luò)的運算結(jié)果更加靠近正確答案。每次學(xué)習(xí)會修改一下參數(shù)。學(xué)習(xí)一次修改一次。這樣神經(jīng)網(wǎng)絡(luò)的參數(shù)就會使運算結(jié)果更加靠近正確答案。經(jīng)過上千次學(xué)習(xí)后，機器就學(xué)會了如何識別一張圖片數(shù)據(jù)包含 運算結(jié)果識別5為例 第六部分特征舉例Part SIX 蘋果西瓜 特征顏色 紋路 形狀紅色綠色 有條紋無條紋 不規(guī)則圓或橢圓特征 用來區(qū)分事物 圖片識別的任務(wù)中，特征用來區(qū)分圖片的差異例如機器用紅色綠色區(qū)分蘋果和西瓜等等現(xiàn)實中其他問題也一樣例如：識別貓狗、識別人臉、識別聲音等等，找到特征就能夠區(qū)分它們 特征1.顏色 2.紋路 3.形狀特征4特征5. 第七部分傳統(tǒng)程序區(qū)別Part Seven