? ? 請關(guān)注公眾號AI Engine
????好久不見！由于工作原因很久沒有更新文章了，希望不要掉粉哦~
?? ?小G同學(xué)最近利用工作之余還是學(xué)習(xí)了一下深度學(xué)習(xí)方面的知識，今天就把最近的學(xué)習(xí)心得分享給大家，也當是做一次總結(jié)，可以說這也是我與深度學(xué)習(xí)的初見。
? ? 深度學(xué)習(xí)在近年來作為人工智能領(lǐng)域最重要的進展，在很多方面也作出了卓越的貢獻。尤其在這個DT時代，深度學(xué)習(xí)的能力顯得越發(fā)的重要。本文還是秉著一貫的作風：實事求是，只嘮干貨。所以下面解答幾個問題，為我解答，也希望可以為您解答：
?? ??? ?1.機器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系和區(qū)別是什么？
?? ??? ?答：在回答這個問題之前，大家請先看一幅圖片。
在這幅圖片中我們似乎是可以粗略的看到二者之間的關(guān)系的，深度學(xué)習(xí)應(yīng)該是屬于機器學(xué)習(xí)的范疇內(nèi)的。對機器學(xué)習(xí)有所了解的同學(xué)應(yīng)該已經(jīng)清楚監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)了（當然也有半監(jiān)督學(xué)習(xí)，這里先暫時不提），那么深度學(xué)習(xí)與它們之間到底有什么區(qū)別呢？別著急，我們來高度概括一下機器學(xué)習(xí)。我們將機器學(xué)習(xí)領(lǐng)域分為四個象限，同時將’知識’這個事物從統(tǒng)計和推理這兩個維度出發(fā)，分成4類。我們從第一象限出發(fā)到第二象限，這一過程是將一些無法統(tǒng)計的知識推理出來，那么推理的依據(jù)就是根據(jù)既可以統(tǒng)計又可以推理的知識進行經(jīng)驗學(xué)習(xí)（建模），然后面對不可統(tǒng)計的新數(shù)據(jù)時進行成功的推理。這個流程就可以利用很多機器學(xué)習(xí)的方法，比如決策樹、隨機森林、支持向量機等等。在縱向方面，我們從第一象限來到第三象限，也就是將一些可以統(tǒng)計但是無法推理的知識成果的表達出來，而我們利用的技術(shù)就可以是神經(jīng)網(wǎng)絡(luò)。比較經(jīng)典的例子就是阿爾法狗、計算機視覺、無人駕駛等。這就是傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)的一個區(qū)別：解釋的方向有所不同
既然深度學(xué)習(xí)也屬于可統(tǒng)計的范疇，那么他和機器學(xué)習(xí)還差別在哪里呢？答案就是特征自尋。傳統(tǒng)機器學(xué)習(xí)通過人類分析、先驗知識等將數(shù)據(jù)預(yù)處理成n個特征，再基于特征工程的思想將n個特征進行精心篩選。所以算法工程師很辛苦，將絕大部分的時間花費在了選定特征上，但是好處就是無論結(jié)果好壞，我們處于在一個相對白盒之中，可以進行有效的調(diào)整，用一句雞湯話就叫做：冷暖自知。后來科學(xué)家們發(fā)現(xiàn)讓神經(jīng)網(wǎng)絡(luò)自己去選拔特征似乎算法效果更佳，于是特征表示學(xué)習(xí)逐漸興起，但是人類從此陷入了黑盒世界，可謂是 “有多少智能，就有多少人工！” 再后來表示學(xué)習(xí)的層次逐漸增加，套路越來越深，最終變成了深度學(xué)習(xí)！好了第一個問題我就算回答完了，我們來看看第二個問題~
?? ?? ? 2.神經(jīng)網(wǎng)絡(luò)究竟是什么？它長什么樣？
?? ?? ? 答：神經(jīng)網(wǎng)絡(luò)也可稱為多層感知機。剛下生（最基本）的神經(jīng)網(wǎng)絡(luò)就長這樣嬸兒的。隨著它逐漸長大，中間的隱藏層會逐漸增多，神經(jīng)網(wǎng)絡(luò)通過組合低層的特征，然后形成高層的表示，這些表示就可以描述被識別對象的高級屬性或者高級特征。這種生成數(shù)據(jù)的中間表示能力也是其他傳統(tǒng)機器學(xué)習(xí)所辦不到的。
文章的最后還是給大家一份簡單的神經(jīng)網(wǎng)絡(luò)demo，就叫做first_MLP吧：
# coding=utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf8')
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
#設(shè)定隨機種子
np.random.seed(7)
#導(dǎo)入并定義x，y數(shù)據(jù)
dataset = np.loadtxt('../../pima_data.csv',delimiter=',')
x = dataset[:,0:8]
y = dataset[:,8]
#創(chuàng)建模型
model = Sequential()
model.add(Dense(12,input_dim=8,activation='relu'))
model.add(Dense(8,activation='relu'))
model.add(Dense(1,activation='sigmoid'))
#編譯模型
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])
#訓(xùn)練模型
model.fit(x,y,epochs=150,batch_size=20)
#評估模型
score = model.evaluate(x=x,y=y,verbose=1)
print('%s : %.2f%%'%(model.metrics_names[0],score[0]*100))
print('%s : %.2f%%'%(model.metrics_names[1],score[1]*100))
