機器學習理解

《機器學習理解》由會員分享，可在線閱讀，更多相關《機器學習理解（27頁珍藏版）》請在裝配圖網上搜索。

1、機器學習理解及TensorFlow應用識別手寫數字為例 機器學習計算機只能處理數字算法如何理解數字可以承載信息案例12345目錄 特征舉例6 第一部分機器學習Part ONE AlphaGo人臉識別 自動駕駛量化金融機器學習 現實應用 什么是學習 差 好學習不會 掌握 差變好不會變掌握學習前 學習后 結果學習學習的特點：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。機器學習：程序運行后，自發(fā)的產生變化，自動修改神經網絡。人類機器機器學習 學習的含義 過程 機器學習區(qū)別 機器學習與傳統程序 有學習能力傳統程序無學習能力傳統的編程是人類自己積累經驗并將這些經驗轉換為規(guī)則或

2、數學公式然后就是用編程語言去表示這些規(guī)則和公式。 在進行機器學習時，人類不需要總結具體的規(guī)則或公式。只需制訂學習的步驟，然后將大量的數據輸入給計算機。計算機可以根據數據和人類提供的學習步驟自己總結經驗，自動升級。規(guī)則+數據=答案 答案+數據=規(guī)則正確率沒有變化 正確率不斷提升算法決定 演示 自動駕駛學習前 學習后 目的：讓計算機學會開車 案例 識別手寫數字當我給機器輸入手寫數字的圖片時，機器告訴我這個圖片是數字幾任務實現 3輸入 輸出案例 當前用一個案例來講解機器學習的過程，案例包括包括代碼，運行演示，該任務的神經網絡過程等等 第二部分算法是什么Part TWO 水果重量 水果價格1 22 4

3、3 6X Y Y = 2 * X算法：輸入數字與輸出數字之間的關系 算法可以理解為公式水果價格跟重量存在什么關系？ 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系這就是一個算法用來處理水果重量和水果價格的關系算法 什么是算法 引力公式輸入M：物體1質量m：物體2質量r：兩物體距離G：引力常量 輸出F：引力算法算法 現實中例子 第三部分數字可以承載信息Part THREE 數字 承載信息 10 亮度低 通過控制電阻數值，控制了燈泡亮度此時，數字就包含著燈泡亮度的信息亮度高5 例如：風扇按鈕上的數字就是代表風量 第四部分計算機只能處理數字Part FOUR 計算機 自然世

4、界 數字 計算機只認識數字 圖片信息 數字信息 計算機識別手寫數字任務數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

5、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

6、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

7、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

8、 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

9、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

10、 0 0 0人眼 計算機 案例 手寫數字識別 手寫數字識別 機器識別這些數字 28列28行 案例 圖片信息轉化為數字信息 28列 28行 圖片信息轉化為28行*28列的數字，總共784個數字，每個數字代表像素點的亮度 案例 整體模型 0 123456789輸入 神經網絡 輸出28*28=784數字每個數字代表像素的亮度784數字作為輸入 輸出：圖片對應各個數字的概率機器學習的工作就是訓練神經網絡訓練好一個網絡需要成百上千甚至上萬次學習需要大量的數據作為訓練樣本TensorFlow：用來生成神經網絡當你需要處理特定問題時，用TensorFlow來做出你需要的神經網絡神經網絡包含輸入跟輸出之間的特

11、征關系 案例 學習樣本下圖為學習樣本：用來給機器進行學習的數據以紅圈這個數字為例：逗號左邊是輸入的數據，逗號右邊是這個數據的正確答案 案例 神經網絡神經元：是一個數字 神經網絡：包含輸入與輸出之間關系的特征例：在貓狗識別中，貓有胡須，胡須就是其中一種特征，神經網絡包含很多特征。 人腦神經網絡機器神經網絡 案例 學習結果輸出正確 輸出錯誤 反向傳播函數BP算法BP神經網絡(BackPropagation)算對、算錯怎么辦功能：修正神經網絡參數讓輸出值更加靠近答案 加強網絡減弱網絡 增大網絡參數減小網絡參數計算出概率后，將概率最大的數值作為答案給系統與正確答案進行比較 例：如果運算結果是錯的，那么

12、此時減弱網絡中的參數。相當于，告訴機器，上一次識別時的網絡路徑是錯的。減小網絡參數后，機器下次走這條路徑的概率會減小結果上來看機器犯上次這條路徑錯誤的可能性就越來越小。最終就實現了學習。 案例 完整過程手寫數字圖片 正確答案 學習之前，把數據給機器這個數據包括兩個東西1.手寫數字圖片，也就是機器需要識別的內容2.這個手寫數字圖片對應的正確答案，用來告訴機器這次學習是否正確例如：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字表示，也就是總共784個數字，這784個數字就代表手寫圖片這784個數字作為輸入，給到神經網絡進入神經網絡后，通過

13、計算會輸出對應數字的概率大小例如：輸入手寫5，輸出是0到9的概率大小，結果顯示概率最大的數字是6，此時機器認為，這張圖片83%可能是6。所以把6作為答案給到系統，但正確答案是5。 這時，用反向傳播函數，去修改神經網絡的參數，使神經網絡的運算結果更加靠近正確答案。每次學習會修改一下參數。學習一次修改一次。這樣神經網絡的參數就會使運算結果更加靠近正確答案。經過上千次學習后，機器就學會了如何識別一張圖片數據包含 運算結果識別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. 第七部分傳統程序區(qū)別Part Seven