Python Deep Learning - พื้นฐาน

ในบทนี้เราจะพิจารณาถึงพื้นฐานของ Python Deep Learning

โมเดล / อัลกอริทึมการเรียนรู้เชิงลึก

ตอนนี้ให้เราเรียนรู้เกี่ยวกับโมเดล / อัลกอริทึมการเรียนรู้เชิงลึกที่แตกต่างกัน

โมเดลยอดนิยมบางส่วนภายในการเรียนรู้เชิงลึกมีดังนี้ -

  • โครงข่ายประสาทเทียม
  • เครือข่ายประสาทที่กำเริบ
  • เครือข่ายความเชื่อที่ลึกซึ้ง
  • เครือข่ายฝ่ายตรงข้ามโดยกำเนิด
  • ตัวเข้ารหัสอัตโนมัติและอื่น ๆ

อินพุตและเอาต์พุตแสดงเป็นเวกเตอร์หรือเทนเซอร์ ตัวอย่างเช่นเครือข่ายประสาทเทียมอาจมีอินพุตที่แสดงค่า RGB ของพิกเซลแต่ละรายการในรูปภาพเป็นเวกเตอร์

ชั้นของเซลล์ประสาทที่อยู่ระหว่างชั้นอินพุตและชั้นเอาต์พุตเรียกว่าชั้นที่ซ่อนอยู่ นี่คือจุดที่งานส่วนใหญ่เกิดขึ้นเมื่อตาข่ายประสาทพยายามแก้ปัญหา การดูเลเยอร์ที่ซ่อนอยู่อย่างละเอียดยิ่งขึ้นสามารถเผยให้เห็นคุณสมบัติมากมายที่เครือข่ายได้เรียนรู้ในการดึงข้อมูลออกมา

โครงสร้างของเครือข่ายประสาทที่แตกต่างกันเกิดขึ้นโดยการเลือกเซลล์ประสาทที่จะเชื่อมต่อกับเซลล์ประสาทอื่นในชั้นถัดไป

Pseudocode สำหรับคำนวณเอาต์พุต

ต่อไปนี้คือ pseudocode สำหรับคำนวณเอาต์พุตของ Forward-propagating Neural Network -

  • # node []: = อาร์เรย์ของโหนดที่เรียงลำดับโทโทโลยี
  • # ขอบจาก a ถึง b หมายถึง a อยู่ทางซ้ายของ b
  • # ถ้า Neural Network มีอินพุต R และเอาต์พุต S
  • # จากนั้นโหนด R แรกคือโหนดอินพุตและโหนด S สุดท้ายคือโหนดเอาต์พุต
  • # ขาเข้า [x]: = โหนดที่เชื่อมต่อกับโหนด x
  • # weight [x]: = น้ำหนักของขอบขาเข้าถึง x

สำหรับแต่ละเซลล์ประสาท x จากซ้ายไปขวา -

  • ถ้า x <= R: ไม่ต้องทำอะไรเลย # เป็นโหนดอินพุต
  • อินพุต [x] = [เอาต์พุต [i] สำหรับ i ในขาเข้า [x]]
  • weighted_sum = dot_product (น้ำหนัก [x], ปัจจัยการผลิต [x])
  • เอาต์พุต [x] = Activation_function (weighted_sum)