2022 年神經網絡深度學習終極指南
已發表: 2021-01-03在使用 Keras 進行深度學習時，您不必編寫很多代碼，但有幾個步驟需要您慢慢完成，以便在不久的將來創建模型。 建模的流程是加載數據、定義 Keras 模型、編譯 Keras 模型、擬合 Keras 模型、對其進行評估、將所有內容聯繫在一起並從中做出預測。
但有時，您可能會因為沒有很好地掌握深度學習的基礎知識而感到困惑。 在開始使用 Keras 項目進行新的深度學習之前，請務必閱讀本終極指南，它將幫助您修改Keras 深度學習的基礎知識。
在人工智能領域，深度學習已經成為一個流行語，它總是在各種對話中找到自己的方式。 在為機器賦予智能方面，我們使用機器學習 (ML) 已經很多年了。
但是，考慮到當前時期，由於其在預測方面的優勢，與舊的和傳統的 ML 技術相比，使用 Keras 進行深度學習變得更加受歡迎和著名。
目錄
深度學習
機器學習有一個子集，其中人工神經網絡 (ANN) 使用大量數據進行訓練。 這個子集只不過是深度學習。 由於深度學習算法從經驗中學習，它會重複執行任務； 每次它都會稍微調整一下，以改善結果。
它被稱為“深度學習”，因為神經網絡有許多可以進行學習的深層。 深度學習可以解決任何需要思考才能解決問題的問題。
閱讀：頂級深度學習技術
喀拉斯
有許多 API、框架和庫可用於開始深度學習。 但這就是為什麼使用 Keras 進行深度學習是有益的。 Keras 是一個高級神經網絡應用程序編程接口 (API)，它運行在 TensorFlow 之上——TensorFlow 是一個端到端的機器學習平台，並且是一個開源平台。 不只是 Tensorflow，還有 CNTK、Theano、PlaidML 等。
它有助於將人工智能 (AI) 和深度學習商品化。 Keras 中的編碼是可移植的，這意味著使用 Keras，您可以在使用 Theano 作為後端的同時實現神經網絡，然後通過指定後端在 Tensorflow 上運行它。 此外，它不是強制性的，根本不需要更改代碼。
如果您想知道為什麼深度學習是人工智能中的一個重要術語，或者如果您缺乏開始使用 Keras 學習深度學習的動力，這個谷歌趨勢快照顯示了過去幾年全球人們對深度學習的興趣如何穩步增長。
在自然語言處理（NLP）、計算機視覺、語音識別、藥物設計、生物信息學等許多領域都已成功應用深度學習。
使用 Keras 進入深度學習
如前所述，在深度學習中，人工神經網絡使用大量數據進行訓練。 在接受訓練後，網絡可以輕鬆地利用對看不見的數據的預測。 下面給出了一些重要的術語，這些術語通常用於訓練使用 Keras 進行深度學習所需的神經網絡。
另請閱讀：初學者的 15 個有趣的機器學習項目創意
神經網絡
正是我們大腦中的神經網絡引發了人工神經網絡的概念。 通常，神經網絡中有三層。 這三層是——輸入層、輸出層和隱藏層。 神經網絡的一個例子如下圖所示。
由於上面顯示的神經網絡只包含一個隱藏層，因此被稱為“淺層神經網絡”。 在此類架構中添加了更多隱藏層以創建更複雜的架構。
深度網絡
在深度網絡中，添加了多個隱藏層。 當網絡中隱藏層的數量增加時，這種架構的訓練變得複雜，不僅在完全訓練網絡所花費的時間方面，而且還需要更多的資源。 下面給出的是一個深度網絡，它由一個輸入、四個隱藏層和一個輸出組成。
網絡培訓
一旦定義了網絡架構，就需要對某些類型的預測進行訓練。 在網絡的訓練過程中，為網絡找到每個鏈接的適當權重。
在訓練進行時，數據按標準方向流動，即從輸入層流向輸出層，並通過許多隱藏層。 該網絡稱為前饋網絡網絡，因為數據始終沿一個方向流動，即從輸入層到輸出層。 這裡的數據傳播稱為前向傳播。
激活函數
在一層和所有層中，您需要計算輸入的加權和並將其傳遞給激活函數。 這個激活函數使網絡非線性。 它只是一個數學函數，它獲取輸出並將其離散化。 很少有最常用的激活函數是雙曲線、sigmoid、正切 (tanh)、Softmax 和 ReLU。
反向傳播
在反向傳播中，誤差的傳播是反向的，即從輸出層到輸入層。 在監督學習中，反向傳播是一種算法。 對於給定的誤差函數，誤差函數的梯度是相對於每個連接處分配的權重計算的。
通過網絡，甚至梯度的計算都在反向進行。 首先計算最後一層權重梯度，最後計算第一層權重梯度。
在每一層，在確定前一層的梯度時，它會重用梯度的部分計算。 這不過是“梯度下降”。
使用 Keras 定義深度學習中的模型
在深度學習中定義模型可以分為幾個特徵：
- 層數。
- 層的類型。
- 每層的神經元數量。
- 每一層的激活函數。
- 輸入大小和輸出大小。
閱讀：深度學習中的正則化
底線
使用 Keras學習深度學習至關重要，因為 Keras 是一個易於使用且功能強大的開源免費 Python 庫，用於評估和開發深度學習模型。 Keras 還封裝了廣泛使用的數值計算庫，如 TensorFlow 和 Theano，允許您訓練和定義神經網絡模型，只需幾行編程代碼。
安裝並配置好 python 2 或 3 後，您就可以開始使用 Keras項目進行深度學習了。 您只需要安裝和配置 SciPy，包括 NumPy，並安裝和配置帶有 TensorFlow 或 Theano 後端的 Keras。
如果您有興趣了解有關深度學習技術、機器學習的更多信息，請查看 IIIT-B 和 upGrad 的機器學習和人工智能 PG 文憑，該文憑專為在職專業人士設計，提供 450 多個小時的嚴格培訓、30 多個案例研究和任務、IIIT-B 校友身份、5 個以上實用的實踐頂點項目和頂級公司的工作協助。