pytorch简单的语法和结构
dataset就是数据集,dataloader就是分装好一堆一堆的
他们都是torch.utils.data里面常用的函数,已经封装好了
下面的步骤是把数据集读进来
这里是读进来之后,进行处理
声音信号,黑白照片,红绿蓝彩色照片
运算
转置
移除掉某个维度
合并起来成一个,沿着某一个维度去合并
x.shape和x.dtype
运算:
行列式,所以w^T自动为32x64,这样j与i等,可以变化形状
一个神经网络的过程
逻辑回归在神经网络中的作用
在神经网络学习的背景下,逻辑回归(Logistic Regression)是一个非常重要的基础模型,尤其是在二分类任务中。神经网络本质上是多个层次的复杂逻辑回归模型,因此理解逻辑回归对于理解神经网络的工作原理至关重要。本文将详细介绍逻辑回归在神经网络中的作用及其相关概念。
1. 逻辑回归与神经网络的关系
神经网络的核心是对输入数据进行加权求和,并通过激活函数(如 Sigmoid、ReLU 等)进行处理,从而得到最终的预测结果。逻辑回归可以看作是一个简单的神经网络,只有一个输入层和一个输出层,且激活函数通常是 Sigmoid 函数。
逻辑回归的数学表达式
逻辑回归模型的输出通过 Sigmoid 函数将线性组合的输入映射到 [0, 1] 之间。其数学表达式为:
\[
y = \sigma(z) = \frac{1}{1 + e^{-z}}
\]
其中,\( z = w_0 + w_1 x_1 + w_2 x_2 + \dots + w_n x_n \) 是输入特征的加权和(类似于神经网络中的线性变换)。这个输出是一个概率值,表示预测属于正类(1)的概率。如果这个概率大于 0.5,我们通常预测为正类(1),否则为负类(0)。
2. 神经网络中的逻辑回归
在神经网络中,Sigmoid 函数作为激活函数,通常用于二分类问题。网络中的单个神经元(即一层)可以看作是一个逻辑回归模型。多个神经元层级组合起来,就构成了一个多层神经网络。因此,理解逻辑回归的工作原理对于理解神经网络的运作至关重要。
神经网络中的 Sigmoid 激活函数
在神经网络中,Sigmoid 函数用于将每个神经元的输出映射到 [0, 1] 区间,因此非常适合处理二分类问题。例如,神经网络的输出层可以使用 Sigmoid 激活函数来输出每个类的概率,从而决定最终的类别。
Sigmoid 激活函数公式
\[
\sigma(z) = \frac{1}{1 + e^{-z}}
\]
其中,\( z = w_0 + w_1 x_1 + w_2 x_2 + \dots + w_n x_n \) 是输入特征的线性组合。
输出值的范围是 0 到 1,表示某一类别的概率。
为什么使用 Sigmoid?
Sigmoid 函数的输出是一个概率值,这使得它特别适合二分类问题。在神经网络中,使用 Sigmoid 激活函数后,输出值可以被解释为样本属于正类(1)的概率,进一步帮助我们做出分类决策。
3. 神经网络的训练与逻辑回归
神经网络的训练过程与逻辑回归类似,都是通过优化算法(例如梯度下降)来调整模型参数,以最小化损失函数。对于二分类问题,常见的损失函数是二元交叉熵(Binary Cross-Entropy),它本质上与逻辑回归中的对数损失函数(Log-Loss)相同。
训练步骤(逻辑回归与神经网络的相似性)
1. **前向传播**:计算预测值,首先通过线性变换计算 \( z \),然后通过激活函数(如 Sigmoid)得到预测概率。
2. **计算损失**:使用损失函数(如交叉熵损失)计算预测与实际标签之间的误差。
3. **反向传播**:根据损失函数的梯度,通过反向传播调整权重,最小化误差。
在神经网络中,尽管模型更复杂,但基础的逻辑回归思想仍然存在:通过优化损失函数调整模型参数,逐步减少预测误差。
4. 神经网络的多层扩展
神经网络通过多个隐藏层和神经元的组合,能够捕捉数据中的复杂模式和非线性关系。逻辑回归是一个线性模型,适合简单的二分类问题。而神经网络通过多层的非线性变换,能够处理更加复杂的分类任务。
尽管神经网络的每一层都可以看作是逻辑回归的扩展,但通过增加更多的层次和激活函数,神经网络能够表示更加复杂的决策边界,从而提升分类的准确性。
5. 总结
- 逻辑回归是神经网络的一个基础构建块,尤其在二分类问题中,神经网络的输出层通常使用 Sigmoid 激活函数来实现类似于逻辑回归的操作。
- 神经网络通过多个层次和神经元的组合,扩展了逻辑回归的能力,能够处理更加复杂的非线性分类问题。
- 训练过程在神经网络中与逻辑回归类似,都是通过优化损失函数来调整模型的参数,最小化预测误差。
一个神经元指的是什么?
在神经网络中,神经元(Neuron)是网络中的基本计算单元,类似于人脑中的神经细胞。它的主要作用是接收输入信号,进行加权求和,经过激活函数处理后输出结果。每个神经元通过与其他神经元连接,传递信息并进行计算,从而共同完成更复杂的任务。
一个神经元的基本结构:
1. 输入(Input)
神经元的输入来自上一层的神经元输出,或者是原始数据(在输入层)。每个输入 \( x_i \) 对应一个权重 \( w_i \)。
2. 加权和(Weighted Sum)
神经元会对每个输入进行加权求和,得到一个总的加权和 \( z \):
\[
z = w_1 x_1 + w_2 x_2 + \dots + w_n x_n + b
\]
其中,\( x_i \) 是输入值,\( w_i \) 是对应的权重,\( b \) 是偏置(Bias)。
3. 激活函数(Activation Function)
激活函数 \( f(z) \) 对加权和 \( z \) 进行处理,产生神经元的输出。这一步引入了非线性特征,使神经网络能够学习和表示复杂的模式。常见的激活函数包括:
- **Sigmoid**:
\[
f(z) = \frac{1}{1 + e^{-z}}
\]
- **ReLU**:
\[
f(z) = \max(0, z)
\]
- **Tanh**:
\[
f(z) = \tanh(z)
\]
4. 输出(Output)
激活函数的输出会作为该神经元的输出,并传递到下一层的神经元。
形象比喻:
你可以把神经元想象成一个“计算节点”,它从多个输入信号中加权计算一个结果,经过激活函数的处理后,输出一个值,这个值决定了下一层神经元的输入。
例子:
假设我们有一个简单的神经元,接收两个输入 \( x_1 \) 和 \( x_2 \),其对应的权重是 \( w_1 \) 和 \( w_2 \),偏置为 \( b \)。神经元的计算过程如下:
1. 计算加权和:
\[
z = w_1 x_1 + w_2 x_2 + b
\]
2. 使用激活函数(假设使用 Sigmoid):
\[
\text{output} = \sigma(z) = \frac{1}{1 + e^{-z}}
\]
3. 输出值作为下一个神经元的输入,或作为网络最终输出。
总结:
神经网络中的一个神经元是一个处理单元,它通过接收多个输入,进行加权求和,再通过激活函数产生输出。多个神经元组成网络,可以学习数据中的复杂模式,执行分类、回归等任务。
线性部分与非线性部分
线性部分(加权和)和非线性部分(Sigmoid)是神经元计算的两个连续步骤:
- **线性部分**:是神经元对输入进行加权平均,计算出一个值。
- **非线性部分**:是将该值通过激活函数(如 Sigmoid)进行转换,增加非线性特性。
最简单的一种神经网络:前馈神经网络feedforward
前馈神经网络(Feedforward Neural Network,FNN)是最基础的人工神经网络类型。它由若干层神经元组成,输入数据从网络的输入层开始,逐层通过隐藏层传递,最后到达输出层,然后输出结果。整个过程没有反馈或循环路径,即信息只能沿着网络的一个方向流动。
实际上function set是一直在做的,只不过做成neural network的时候会很大
写成矩阵运算:Matrix Operation
通过每一层的神经元计算向前
softmax是归一化
在最后一个output那里把输出结果归一化
output设成10维,每一维对应一个数字;input是256维,即所有的方框;中间多少是自己设
换个角度,原来的时候我们需要做feature work,也就是提取特征的工作。而在这里,我们不需要提取,知道输入和输出就可以了,中间怎么做的我们并不知道
他并不一定真的好用,只是把一个问题转化为了另一个问题
在语音识别和图像识别,deep learning是好的,因为这个在人的大脑中太潜意识了,我们不知道什么是好的feature
deep learning:瞎试,看哪个路径效果好。这不就是炼丹然后放着放着试剂突然碰出来了?
如果是nlp的话,实际上效果不显著,因为语法层面人还是能够划分的比较鲜明的,比如词性感情等等
那么,上面的都是一个接着一个的,我们能不能乱写呢?2连到4这样,是可以的。卷积:convolutional neural network
一个完整的deep learning需要几步?
第一步就是前面的,function set
第二步就是loss
第三步是sick a best one
所以市面上的模型主要就是在算微分,就是求偏导那一步,帮我们做了
最后提到了deep learning 和 fat learning,本质还是受制于算力,不然直接遍历了都不需要用微分找loss最低点