深度学习概述要点

  • 深度学习实际上是具有多个隐藏层的神经网络;
  • 深度学习的思想来源于人类处理视觉信息的方式;
  • 深度学习的发展得益于数据的井喷和计算力的飙升;
  • 深度学习的理论基础依然有待深入。

深度学习深度前馈网络要点

  • 深度前馈网络利用深度架构实现工程上可实现的对任意函数的通用逼近;
  • 深度前馈网络使用梯度下降的方法进行学习;
  • 深度前馈网络的损失函数是交叉熵或最小均方误差;
  • 深度前馈网络的隐藏神经元通常使用整流线性单元作为传递函数。

深度学习深度学习中的正则化要点

  • 基于训练数据的正则测化方法包括数据集增强和Dropout;
  • 基于网络架构的正则化包括参数共享传递函数正则化;
  • 基于误差函数和正则化项的正则化方法包括使用L2范数和L1范数;
  • 基于最优化过程的正则化方法包括早停。

深度学习深度学习中的优化要点

  • 深度学习中的优化需要解决病态矩阵、局部极小值和鞍点等问题
  • 深度学习优化中的降噪方法包括动态采样、梯度聚合和迭代平均;
  • 深度学习优化中的二阶导数近似方法是对原始牛顿法的各种改进;
  • 其他优化方法包括动量方法、加速下降方法和坐标下降方法。

深度学习自编码器要点

  • 自编码器是一种无监督学习方式, 目的在于 学习数据的重新表达;
  • 多个浅层自编码器级联可以得到深度的栈式 自编码器,并使用无监督预训练结合有监督微调的方式加以训练;
  • 稀疏自编码器利用稀疏的高维表达提取 出 训练集中隐含的统计规律;
  • 变分自编码器对隐藏层做参数化处理,可以用于学习数据的生成模型。

深度学习「深度强化学习要点

  • 深度强化学习是深度学习和强化学习的结合, 有望成为实现通用人工智能的关键技术;
  • 基于价值的深度强化学习的基本思路是建立价值函数的表示,通过优化价值函数得到最优策略;
  • 基于策略的深度强化学习的基本思路是直接搜索能够使未来奖励最大化的最优策略;
  • 基于模型的深度强化学习的基本思路是构造关于环境的转移概率模型,再用这个模型指导策略

,