当前位置:   article > 正文

6.神经网络剖析_多头神经网络

多头神经网络

神经网络剖析

训练神经网络主要围绕以下四个方面:

  • ,多个层组合成网络(或模型)。
  • 输入数据和对应的目标
  • 损失函数,即用于学习的反馈信号。
  • 优化器,决定学习过程如何进行。

在这里插入图片描述

由上图可以看出来:多个层链接在一起组成了网络,将输入数据映射为预测值。然后损失函数将预测值与目标进行比较,得到损失值,用于衡量网络预测值与预期结果的匹配程度。优化器使用这个损失值来更新网络的权重。

层:深度学习的基础组件

​ 神经网络的基本数据结构是。层是一个数据处理模块,即将一个或多个输入张量转换为一个或多个输出张量。有些层是无状态的,但大部分的层都是有状态的,即层的权重。(权重是利用随机梯度下降学到的一个或多个张量,其中包含网络的知识)。

不同张量格式与不同的数据处理类型需要用到不同的层。比如:

  • 简单的向量数据保存在形状为(samples,fetures)的2D张量中,通常用密集链接层(也叫全连接层,或密集层),对于Keras的Dense层来处理。(samples即样本轴,fetures即特征轴
  • 序列数据保存在形状为(samples,timesteps,fetures)的3D张量中,通常用循环层(比如Keras的LSTM层)来处理。
  • 图像数据保存在4D张量中,通常用二维卷积层(Keras的Conv2D来处理)。

在Keras中,构建深度学习模型就是将互相兼容的多个层拼接在一起,以简历有用的数据变换流程。具体指的是每一层只接收特定形状的输入张量,并返回特定形状的输出张量。

举以下这个例子:

from keras import layers

layer = layers.Dense(32, input_shape=(784,))
# 有32个输出单元的密集层。
  • 1
  • 2
  • 3
  • 4

创建一个只接受第一个维度大小为784的2D张量(第0轴是批量维度,其大小没有指定,因此可以任意取值)作为输入张量。这个层将返回一个张量,第一个维度的大小变成了32。

因此,这个层后面只能连接一个接收32维向量作为输入的层。在使用Keras时,你无需担心兼容性,因为向模型中添加的层都会自动匹配输入层的形状。

form keras import models
form keras import layers

model = models.Sequentual()
model.add(layers.Dense(32, input_shape=(784,)))
model.add(layers.Dense(32))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

其中第二层没有输入形状(input_shape)的参数,相反,它能够自动推导出输入形状等于上一层的输出形状。

模型:层构成的网络

深度学习模型层构成的有向无环图。最常见的例子就是层的线性堆叠,将单一输入映射为单一输出。还有其他的网络拓扑结构:

  • 双分支(two-branch)网络
  • 多头(multihead)网络
  • Inception模块

网络的拓扑结构定义了一个假设空间。机器学习的定义:在预先定义好的可能性空间中,利用反馈信号的指引来寻找输入数据的有用表示。在选定好了网络拓扑结构,意味着将**可能性空间(即假设空间)**限定为一系列特定的张量运算,将输入数据映射为输出数据。然后,需要为这些张量运算的权重张量找到一组合适的值。

损失函数与优化器:配置学习过程的关键

一旦确定了网络架构,还需要选择以下两个参数。

  • 损失函数(目标函数)——在训练过程中需要将其最小化。它能够衡量当前任务是否已经成功完成。
  • 优化器——决定如何基于损失函数对网络进行更新。它执行的是随机梯度下降(SGD)的某个变体。

具有多个输出的神经网络可能具有多个损失函数(每个输出对应一个损失函数)。但是,梯度下降过程必须基于单个标量损失值。因此,对于具有多个损失函数的网络,需要将所有损失函数取平均,变为一个标量值。

选择正确的目标函数对解决问题是非常重要的。网络的目的是使损失尽可能最小化,因此,如果目标函数与成功完成当前任务不完全相关,俺么网络最终得到的结果可能会不符合你的预期。

对于分类、回归、序列预测等常见问题,可以遵顼一些简单的指导原则来选择正确的损失函数。例如:

  • 二分类问题,可以使用二元交叉熵(binary crossentropy)损失函数。

  • 多分类问题,可以使用分类交叉熵(categorical crossentropy)损失函数

  • 回归问题,可以使用均方误差(mean-squared error)损失函数

  • 序列学习问题,可以用联结主义时序分类(CTC,connectionist temporal classification)损失函数。

  • 序列学习问题,可以用联结主义时序分类(CTC,connectionist temporal classification)损失函数。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/花生_TL007/article/detail/545590
推荐阅读
相关标签
  

闽ICP备14008679号