TensorFlow工具快速入門教程4機器學習和深度學習的區別

TensorFlow · 發表 2018-11-21 07:09:39

摘要：本書目錄什麼是AI？人工智慧賦予機器認知能力。人工智慧的基準是有關推理，言語和願景的人類智慧。這個基準還很遙遠。到目前為止，機器學習是分析，理解和識別資料模式的最佳工具。機器學習背後的主要思想之一是計算機可以訓練以自動執行對於人類來說是窮舉或不可能的任務。 ...

人工智慧賦予機器認知能力。人工智慧的基準是有關推理，言語和願景的人類智慧。這個基準還很遙遠。

到目前為止，機器學習是分析，理解和識別資料模式的最佳工具。機器學習背後的主要思想之一是計算機可以訓練以自動執行對於人類來說是窮舉或不可能的任務。

機器學習使用資料來提供可以理解輸入和輸出之間關係的演算法。當機器完成學習時，它可以預測新資料點的值或類。

圖片.png

訓練分類器以檢測影象是否是：自行車、船、汽車和飛機。

上面的四個物件是分類器必須識別的類。要構造分類器，您需要將資料作為輸入併為其分配標籤。演算法將獲取這些資料，找到模式，然後在相應的類中對其進行分類。

這項任務稱為監督學習。在監督學習中，您提供給演算法的訓練資料包括標籤。

訓練演算法需要遵循幾個標準步驟：收集資料、訓練分類器、作出預測

資料決定演算法成敗。您選擇用於訓練模型的資料稱為要素。在物件示例中，特徵是影象的畫素。

影象大小為28x28，則資料集包含784列（28x28）。在下圖中，每張圖片都已轉換為特徵向量。標籤告訴計算機影象中有什麼物件。

圖片.png

目標是使用這些訓練資料來分類物件的型別。第一步包括建立要素列。然後，第二步涉及選擇訓練模型的演算法。訓練完成後，模型將預測哪個圖片對應於哪個物件。之後，很容易使用該模型來預測新影象。

在深度學習中，學習階段通過神經網路完成。

圖片.png

每個輸入進入神經元並乘以權重。乘法的結果流向下一層併成為輸入。對網路的每一層重複該過程。最後一層被命名為輸出層;它為迴歸任務提供了實際值，併為分類任務提供了每個類的概率。神經網路使用數學演算法來更新所有神經元的權重。當權重值給出接近現實的輸出時，神經網路完成完全訓練。

資料集可包含十幾個到數百個特徵。系統將從這些功能的相關性中學習。但是，並非所有功能對演算法都有意義。機器學習的一個關鍵點是找到相關的特徵，以使系統學到一些東西。

在機器學習中執行此部分的一種方法是使用特徵提取。特徵提取結合了現有特徵，以建立更相關的特徵集。它可以通過PCA，T-SNE或任何其他降維演算法來完成。

例如，影象處理，從業者需要在影象中手動提取特徵，如眼睛，鼻子，嘴脣等。那些提取的特徵被提供給分類模型。

深度學習解決了這個問題，特別是卷積神經網路。神經網路的第一層將從圖片中學習小細節;下一層將結合以前的知識，以製作更復雜的資訊。在卷積神經網路中，使用濾波器完成特徵提取。網路對圖片應用濾波器以檢視是否存在匹配，即特徵的形狀與影象的一部分相同。如果匹配，網路將使用此過濾器。因此，特徵提取過程自動完成。

圖片.png

類別	機器學習	深度學習
資料依賴性	在小/中資料集上表現出色	在大資料集上表現出色
硬體依賴	在低端機器上工作。	需要強大的機器，最好是GPU：DL執行大量的矩陣乘法
特徵工程	需要了解表示資料的功能	無需瞭解代表資料的最佳功能
執行時間處理時間	從幾分鐘到幾小時	長達數週。神經網路需要計算大量的權重
解釋性	有些演算法易於解釋（邏輯，決策樹），有些演算法幾乎不可能（SVM，XGBoost）	很難不可能

人工智慧賦予機器認知能力。早期的AI系統使用模式匹配和專家系統。

機器學習背後的想法是機器可以在沒有人為干預的情況下學習。機器需要找到一種方法來學習如何在給定資料的情況下解決任務。

深度學習是人工智慧領域的突破。當有足夠的資料進行訓練時，深度學習可以獲得令人印象深刻的結果，特別是對於影象識別和文字翻譯。