2022 年神经网络深度学习终极指南
已发表: 2021-01-03在使用 Keras 进行深度学习时，您不必编写很多代码，但有几个步骤需要您慢慢完成，以便在不久的将来创建模型。 建模的流程是加载数据、定义 Keras 模型、编译 Keras 模型、拟合 Keras 模型、对其进行评估、将所有内容联系在一起并从中做出预测。
但有时，您可能会因为没有很好地掌握深度学习的基础知识而感到困惑。 在开始使用 Keras 项目进行新的深度学习之前，请务必阅读本终极指南，它将帮助您修改Keras 深度学习的基础知识。
在人工智能领域，深度学习已经成为一个流行语，它总是在各种对话中找到自己的方式。 在为机器赋予智能方面，我们使用机器学习 (ML) 已经很多年了。
但是，考虑到当前时期，由于其在预测方面的优势，与旧的和传统的 ML 技术相比，使用 Keras 进行深度学习变得更加受欢迎和著名。
目录
深度学习
机器学习有一个子集，其中人工神经网络 (ANN) 使用大量数据进行训练。 这个子集只不过是深度学习。 由于深度学习算法从经验中学习，它会重复执行任务； 每次它都会稍微调整一下，以改善结果。
它被称为“深度学习”，因为神经网络有许多可以进行学习的深层。 深度学习可以解决任何需要思考才能解决问题的问题。
阅读：顶级深度学习技术
喀拉斯
有许多 API、框架和库可用于开始深度学习。 但这就是为什么使用 Keras 进行深度学习是有益的。 Keras 是一个高级神经网络应用程序编程接口 (API)，它运行在 TensorFlow 之上——TensorFlow 是一个端到端的机器学习平台，并且是一个开源平台。 不只是 Tensorflow，还有 CNTK、Theano、PlaidML 等。
它有助于将人工智能 (AI) 和深度学习商品化。 Keras 中的编码是可移植的，这意味着使用 Keras，您可以在使用 Theano 作为后端的同时实现神经网络，然后通过指定后端在 Tensorflow 上运行它。 此外，它不是强制性的，根本不需要更改代码。
如果您想知道为什么深度学习是人工智能中的一个重要术语，或者如果您缺乏开始使用 Keras 学习深度学习的动力，这个谷歌趋势快照显示了过去几年全球人们对深度学习的兴趣如何稳步增长。
在自然语言处理（NLP）、计算机视觉、语音识别、药物设计、生物信息学等许多领域都已成功应用深度学习。
使用 Keras 进入深度学习
如前所述，在深度学习中，人工神经网络使用大量数据进行训练。 在接受训练后，网络可以轻松地利用对看不见的数据的预测。 下面给出了一些重要的术语，这些术语通常用于训练使用 Keras 进行深度学习所需的神经网络。
另请阅读：初学者的 15 个有趣的机器学习项目创意
神经网络
正是我们大脑中的神经网络引发了人工神经网络的概念。 通常，神经网络中有三层。 这三层是——输入层、输出层和隐藏层。 神经网络的一个例子如下图所示。
由于上面显示的神经网络只包含一个隐藏层，因此被称为“浅层神经网络”。 在此类架构中添加了更多隐藏层以创建更复杂的架构。
深度网络
在深度网络中，添加了多个隐藏层。 当网络中隐藏层的数量增加时，这种架构的训练变得复杂，不仅在完全训练网络所花费的时间方面，而且还需要更多的资源。 下面给出的是一个深度网络，它由一个输入、四个隐藏层和一个输出组成。
网络培训
一旦定义了网络架构，就需要对某些类型的预测进行训练。 在网络的训练过程中，为网络找到每个链接的适当权重。
在训练进行时，数据按标准方向流动，即从输入层流向输出层，并通过许多隐藏层。 该网络称为前馈网络网络，因为数据始终沿一个方向流动，即从输入层到输出层。 这里的数据传播称为前向传播。
激活函数
在一层和所有层中，您需要计算输入的加权和并将其传递给激活函数。 这个激活函数使网络非线性。 它只是一个数学函数，它获取输出并将其离散化。 很少有最常用的激活函数是双曲线、sigmoid、正切 (tanh)、Softmax 和 ReLU。
反向传播
在反向传播中，误差的传播是反向的，即从输出层到输入层。 在监督学习中，反向传播是一种算法。 对于给定的误差函数，误差函数的梯度是相对于每个连接处分配的权重计算的。
通过网络，甚至梯度的计算都在反向进行。 首先计算最后一层权重梯度，最后计算第一层权重梯度。
在每一层，在确定前一层的梯度时，它会重用梯度的部分计算。 这不过是“梯度下降”。
使用 Keras 定义深度学习中的模型
在深度学习中定义模型可以分为几个特征：
- 层数。
- 层的类型。
- 每层的神经元数量。
- 每一层的激活函数。
- 输入大小和输出大小。
阅读：深度学习中的正则化
底线
使用 Keras学习深度学习至关重要，因为 Keras 是一个易于使用且功能强大的开源免费 Python 库，用于评估和开发深度学习模型。 Keras 还封装了广泛使用的数值计算库，如 TensorFlow 和 Theano，允许您训练和定义神经网络模型，只需几行编程代码。
安装并配置好 python 2 或 3 后，您就可以开始使用 Keras项目进行深度学习了。 您只需要安装和配置 SciPy，包括 NumPy，并安装和配置带有 TensorFlow 或 Theano 后端的 Keras。
如果您有兴趣了解有关深度学习技术、机器学习的更多信息，请查看 IIIT-B 和 upGrad 的机器学习和人工智能 PG 文凭，该文凭专为在职专业人士设计，提供 450 多个小时的严格培训、30 多个案例研究和任务、IIIT-B 校友身份、5 个以上实用的实践顶点项目和顶级公司的工作协助。