人工智能正在快速发展，处于炒作曲线的顶端。它涉及开发计算机系统，深度学习使它们能够执行需要人类智能的任务。因此，我们需要了解深度学习的基础知识，因为它改变了我们生活的世界。
顶级深度学习算法有哪些？在讨论机器用来模仿人脑的顶级深度学习算法之前。我将涵盖以下主题：
- 深度学习简介
- 什么是神经网络？
- 深度学习算法的工作以及深度学习算法原理解析
- 要学习的顶级深度学习算法示例
- 结论
深度学习简介
你有没有想过谷歌翻译和亚马逊 Alexa 是如何工作的？自动驾驶汽车如何感知环境并检测物体？Facebook 如何推荐页面、朋友、产品等。嗯，它们都是因为深度学习而工作的。它是机器学习的一个子集，随着技术和每个业务部门的进步彻底改变了世界。它采用算法来处理数据、模仿思维过程、理解人类语音和视觉识别物体。但这在技术领域并不是一个新概念。深度学习的历史可以追溯到 1943 年，当时 Walter Pitts 和 Warren McCulloch 通过模仿人脑的神经系统设计了一个计算机模型。他们使用阈值逻辑，即算法和数学的组合，来模仿人类的思维过程。自那以后，
在深入研究各个领域的深度学习算法细节之前，我们必须了解什么是深度学习。因此，深度学习是人工智能领域的热门话题，它是机器学习的一个子领域，处理受人脑结构和功能启发的算法。它教会计算机从示例中学习，以便它们可以执行人类直观的任务。
什么是神经网络？
在深度学习中，神经网络起着至关重要的作用。我们可以将它们定义为一组算法或数学处理单元，用于识别数据集中的相关关系。神经网络以人脑为模型，包括：
- 一个输入层，
- 多个隐藏层，
- 输出层
数据作为输入提供给神经元。然后，使用适当的权重和偏差将信息传输到下一层。输出是输出层预测的最终值。神经网络依赖于训练数据来学习并随着时间的推移提高其准确性。它们成为人工智能和计算机科学中的强大工具，使我们能够在对数据进行精确调整后以高速对数据进行分类和聚类。
深度学习算法的工作
深度学习模仿人脑处理数据以解决复杂问题的能力。随着这些年来它变得越来越普遍，它的应用正在为广泛的行业提供动力。深度学习算法贯穿多层人工神经网络，并将简化的数据表示传递到下一层。在训练期间，他们使用输入分布中的未知元素来提取特征、对对象进行分组并发现有用的数据模式。例如，如果我们考虑一个非结构化的图像数据集，深度学习算法在通过每个神经网络时会逐渐了解每个图像。早期的神经网络层检测边缘等低级特征，后续层通过组合早期层的特征来提供更全面的图像表示。
要学习的顶级深度学习算法
以下是你需要学习以解决复杂的现实世界问题的顶级深度学习算法列表。
- 多层感知器 ( MLP )
- 循环神经网络 ( RNN )
- 卷积层网络 ( CNN )
- 长短期记忆网络 ( LSTM )
- 受限玻尔兹曼机 ( RBM )
- 径向基函数网络 ( RBFNs )
- 自组织映射 ( SOM )
- 生成对抗网络 ( GAN )
- 深度信念网络 ( DBN )
- 自编码器
让我们简要讨论这些算法中的每一个。
多层感知器 (MLP)
MLP是最基本也是最古老的深度学习算法之一。它也被称为前馈神经网络的一种形式。我们来讨论 MLP 是如何工作的？
深度学习算法原理解析：MLP 工作
- MLP 的第一层接受输入，最后一层基于隐藏层产生输出。每个节点都连接到下一层的节点。MLP 之所以称为前馈网络，是因为信息在层之间不断前馈。
- MLP 使用 sigmoid 函数（例如
ReLU和tanh作为激活函数）来确定要触发的节点。 - MLP 使用反向传播进行训练，这是一种流行的监督学习技术。
- 每个隐藏层都有一些随机分配的值，称为权重。具有权重组合的输入被提供给激活函数并传递到下一层用于输出确定。如果我们没有达到预期的（预期）输出，我们会计算损失并回溯以更新权重。继续该过程直到获得预期输出。
循环神经网络 (RNN)
顶级深度学习算法有哪些？你知道为什么当你开始输入内容时 Google 会自动完成句子吗？由于RNN ，它以这种方式工作。让我们了解循环神经网络的工作原理。
RNN 工作
- RNN 被称为多前馈神经网络，并且在互连节点之间具有有向循环。
- 它们是独一无二的，因为它们接受一系列没有大小限制的输入。
- 他们不仅依靠权重来确定输出，还依靠从先前输入中学到的信息。
- 他们使用内存来处理实现自动完成功能类型的下一个输入序列。
上图显示了 RNN 的每个时间状态的不同步骤。产生的输出被复制并像循环一样提供回网络。除了 Google 搜索引擎和 Web 浏览器，RNN 还用于文本识别、分析视频帧等。
深度学习算法示例：卷积层网络 (CNN)
CNN是一种众所周知的深度学习算法，在对象检测和图像识别领域有很多应用。它也被称为ConvNets。让我们来讨论它是如何工作的。
CNN工作
CNN 的三个基本构建块是：
- 卷积层- 它是 CNN 最重要的块，它使用一组过滤器，可以将其可视化为一层神经元。它们具有加权输入并根据输入大小提供输出。这些过滤器在应用于输入图像时会生成特征图。每个图像位置都会激活一个特定的神经元，并将输出收集在特征图中。
- 池化层——池化层执行下采样操作，减少特征图的大小。从卷积层获得的输出是一个巨大的网格阵列。因此，我们使用最大池化算法来减小此数组的大小，并仅保留数组中最重要的输入图块。
- 全连接层——当来自池化层的扁平矩阵作为输入馈送到全连接的神经网络时，即所有神经元都连接在一起时，就形成了这一层。CNN 最常用的激活函数是 ReLU。
查看我们使用 keras 对 CNN的介绍， 以了解有关它们的更多信息。
长短期记忆网络 (LSTM)
Long Short-Term Memory Network 是一种能够学习长期依赖的循环神经网络。网络由称为单元的不同内存块组成，如下图所示。
LSTM 工作
细胞记住事物，对它们的改变是通过称为门的机制完成的。让我们讨论 LSTM 是如何工作的。
sigmoidLSTM 中的层决定哪些信息应该保持完整，哪些应该从细胞状态中丢弃。- LSTM 用新的信息替换上面步骤中识别出的不相关信息。在
sigmoid和tanh发挥在识别过程中显著的作用。 - 细胞状态有助于确定最终输出。
如果我们想了解更多信息并查看实际示例，请查看我们关于使用 LSTM 网络预测比特币价格的文章 。
受限玻尔兹曼机 (RBM)
顶级深度学习算法有哪些？RBM 是最简单的深度学习算法，由具有两层的基本结构组成：
- 一个可见的输入层
- 隐藏层
RBM 工作
让我们讨论 RBM 的工作原理。
- 输入
x乘以每个隐藏节点的相应权重 w。 - 隐藏节点接收乘以各自权重和偏差值的输入。
- 激活函数将结果传递给输出层进行重构。
- RBM 将重建与原始输入进行比较以确定结果的质量。
径向基函数网络 (RBFN)
RBFN 使用径向基函数 (RBF) 作为激活函数，并通过试错法确定神经网络的结构。让我们看看它是如何工作的。
深度学习算法原理解析：RBFN 工作
- 在第一步中，RBFN 使用无监督学习算法（例如 k-means 聚类）确定隐藏层的中心。
- 在下一步中，它使用线性回归确定权重。均方误差 (MSE) 确定误差，并相应地调整权重以最小化 MSE。
自组织映射 (SOM)
顶级深度学习算法有哪些？当数据集包含数百个特征时，SOM 用于理解特征之间的相关性和可视化数据。让我们看看它们是如何工作的。
SOM 工作
- SOM 创建一维或二维地图并将相似的数据项组合在一起。
- 每个节点的权重都是随机初始化的，就像其他算法一样。
- 在每一阶段从输入数据集中随机抽取一个样本向量 x，并计算 x 与所有其他向量之间的距离。
- 在所有其他向量中投票后，选择最接近 x 的最佳匹配单元 (BMU)。
- 一旦确定了 BMU，权重向量就会更新。
- BMU 及其邻居在输入空间中靠近输入向量 x。我们重复这个过程，直到我们得到预期的结果。
深度学习算法示例：生成对抗网络 (GAN)
GAN 是一种无监督学习算法，可自动发现数据、学习模式并生成与原始数据集相似的新示例。让我们看看它是如何工作的。
GAN 工作
生成对抗网络包含两个神经网络，如下所示：
- 生成器网络- 它是一种生成新示例的神经网络。
- 鉴别器网络- 它评估生成的示例并决定它们是否属于实际的训练数据集。
GAN 生成卡通人物、编辑图像，并广泛用于游戏行业的 3D 对象生成。我们可以使用未标记的数据有效地训练 GAN，以便它们能够产生逼真的高质量结果。
如果你想从 GAN 的实际示例中学习，请查看我们使用深度学习生成图像的教程 。
深度信念网络 (DBN)
当附加几个受限玻尔兹曼机 (RBM) 层时会生成 DBN。让我们看看网络是如何工作的。
深度学习算法原理解析：DBN 工作
- DBN 使用 Greedy 算法进行预训练。他们使用逐层方法学习所有生成权重和自上而下的方法。
- Gibbs 采样的一些步骤在网络的顶部两个隐藏层上运行。
- 为了从可见单元中获取样本，我们在模型的其余部分使用单次祖先采样。
- 在下一步中，潜在变量值的学习可以通过一次自下而上的传递来结束。
自编码器
顶级深度学习算法有哪些？自编码器是将多维数据转换为低维数据的无监督算法。让我们看看它们是如何工作的。
自编码器工作
自编码器的三个主要组件是：
- 编码器- 用于将输入压缩为潜在空间表示，稍后可以重建该表示以获得原始输入。
- 代码- 它是潜在空间表示，即编码后获得的压缩部分。
- 解码器- 用于将代码重构为其原始形式。
深度学习算法示例结论
深度神经网络架构、计算能力和大数据的大规模部署改进了用于预测优化知识的传统统计模型。除了我们日常生活中的许多深度学习应用之外，很多人并没有意识到它的重要性。目前，许多组织正在采用机器学习、物联网、人工智能等先进技术的突破，以保持行业竞争力。因此，在解决自然语言处理、语音识别和图像分类等复杂问题时，深度学习优于其他技术。这是因为我们不必担心特征工程。
谢谢阅读！
