什么是深度學習？
簡單理解深度學習就是人類容易做的事情，機器不容易完成的事情，（實體：人臉識別，這個例子很好的證明了這句話，假如你識別一個人 ，今天這個人長這個樣子，明天臉上有一塊傷口，我們人是不是還可以一眼就可以識別，而機器卻不好識別），
深度學習模型
自然語言處理是人工智能皇冠上的明珠，
深度學習的模型
1.深度學習模型的四大部分：
資料集、模型、學習準則、優化方法
2.深度學習模型：
3.深度學習模型學習方法
基礎模型：MLP,CNN,RNN
主流模型：transformer，GPT,Bert
4.深度學習模型的學習導師：keras
Keras是一個流行的深度學習庫，2017年就有250000名研發人員共同研發，
Google的tansorflow選擇kears作為其庫的高級API
Keras是一個致力于加速深度學習模型實施的庫
Keras快速圖形化模型
keras模型流程圖：
如何構建kears構建模型：
kears模型總結：
| Layer(type) | Output Shape | Param # |
| dense_1 (Dense) | 256 | 200960(784X256+256) |
| activation_1 (Activation) | 256 | 0 |
| dropout_1 (Dropout) | 256 | 0 |
| dense_2 (Dense) | 256 | 65792(256X256+256) |
| activation_2 (Activation) | 256 | 0 |
| dropout_2 (Dropout) | 256 | 0 |
| dense_3 (Dense) | 10 | 2570(256X10+10) |
| activation_3 (Activation) | 10 | 0 |
深度學習三大模型
MLP：多層感知機（Multilayer Perceptron）
CNN：卷積神經網路（Convolutional Neural Networks）
RNN：回圈神經網路（Recurrent Neural Networks）
首先介紹MLP:
MLP是多層感知機，多層感知機是一個全連接的網路，也被稱為深度前饋網路和前饋神經網路，
MLP的流程圖：（拿數字手寫體識別舉例）
CNN：卷積神經網路
CNN模型總結：
| Layer(type) | Output Shape | Param # |
| conv2d_1 (Conv2D) | (None, 26, 26, 64) | 640 |
| max_pooling2d_1 (MaxPooling2D) | (None, 13, 13, 64) | 0 |
| conv2d_2 (Conv2D) | (None, 11, 11, 64) | 36928 |
| max_pooling2d_2 (MaxPooling2D) | (None, 5, 5, 64) | 0 |
| conv2d_3 (Conv2D) | (None, 3, 3, 64) | 36928 |
| flatten_1(Flatten) | (None, 576) | 0 |
| dropout_1 (Dropout) | (None, 576) | 0 |
| dense_1(Dense) | (None, 10) | 5770 |
| activation_1 (Activation) | (None, 10) | 0 |
RNN：回圈神經網路：
模型引數總結：
MLP：引數大約27萬
CNN：引數大約8萬
RNN：引數大約7.5萬
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/386781.html
標籤：AI