一、深度學習的發(fā)展及其應用

1.1 深度學習的發(fā)展歷程

1956年，John McCarthy（約翰·麥卡錫）等人在美國達特茅斯學院（Dartmounth College）開會探討如何使用機器模擬人的智能時，提出了“人工智能”這一概念。

這標志著人工智能學科的誕生，這一年也稱為人工智能元年。

作為人工智能最重要的一個分支，深度學習近年來發(fā)展迅速，在國內(nèi)外都引起了廣泛的關注。

1.2 深度學習的起源階段

1943年，心理學家Warren Mcculloch和數(shù)理邏輯學家Walter Pitts在合作的論文中提出并給出了人工神經(jīng)網(wǎng)絡的概念及人工神神經(jīng)元的數(shù)學模型，從而開創(chuàng)了人類神經(jīng)網(wǎng)絡研究的時代。

1956年，心理學家Frank Rosenblatt受到這種思想的啟發(fā)，認為這個簡單想法足以創(chuàng)造一個可以學習識別物體的機器，并設計了算法和硬件。直到1957年，Frank Rosenblatt在《New York Times》上發(fā)表文章《Electronic ‘Brain’ Teaches Itself》，首次提出了可以模型人類感知能力的機器，并稱之為感知機（Perceptron）

感知機是有單層計算單元的神經(jīng)網(wǎng)絡，由線性元件及閾值元件組成。感知機的邏輯圖如圖

1969年，美國數(shù)學家及人工智能先驅Marvin Minsky（馬文·明斯基）在其著作中證明感知器本質(zhì)上是一種線性模型，只能處理線性分類的問題，這使得神經(jīng)網(wǎng)絡的研究陷入近20年的停滯。

1.3 深度學習的發(fā)展階段

沉寂了多年后，關于神經(jīng)網(wǎng)絡的研究開始慢慢復蘇。

1986年，Geoffrey Hinton（杰弗里·辛頓）提出一種適用于多層感知器的反向傳播算法———BP算法。

BP算法全稱叫作誤差反向傳播(error Back Propagation，或者也叫作誤差逆?zhèn)鞑?算法。

其算法基本思想為：在前饋網(wǎng)絡中，輸入信號經(jīng)輸入層輸入，通過隱層計算由輸出層輸出，輸出值與標記值比較，若有誤差，將誤差反向由輸出層向輸入層傳播，在這個過程中，利用梯度下降算法對神經(jīng)元權值進行調(diào)整。

BP算法完美解決了非線性分類的問題，人人工神經(jīng)網(wǎng)絡再次引起人們廣泛關注。

1989年，Robert Hecht-Nielsen（羅伯特·赫克特-尼爾森）證明了多層感知器的萬能逼近原理。

此博文中介紹的論文是 1990 年?Le Page 組織的一個會議的 Invited paper.

一維階梯函數(shù)的線性組合能逼近任何連續(xù)一維連續(xù)函數(shù)。

Sigmoidal 函數(shù)可以逼近階梯函數(shù)。因此,一維Sigmoidal函數(shù)的線性組合能逼近任何連續(xù)函數(shù)。

把坐標軸在R^{n}中沿各個方向旋轉 （如同CT原理），在每一射線上，構造Sigmoidal函數(shù)的線性組合，就可以逼近R^{n}中任何連續(xù)函數(shù)。

優(yōu)點：用一個簡單到不能再簡單的函數(shù)的線性組合和疊合可以逼近任何連續(xù)函數(shù)。

缺點：天下沒有免費的午餐。

為了R^{n} 中函數(shù)達到精度1/N。需要識別 O(n^{N}) 個參數(shù)。這是無法承受的。

?無論用階梯函數(shù)還是Sigmoidal 函數(shù)，關鍵是利用其跳躍部分。因此，在用梯度法時，經(jīng)常會發(fā)生導數(shù)不可控。

上述兩個致命缺點長期阻礙了神經(jīng)網(wǎng)絡的發(fā)展和應用。深度學習就是圍繞著這些問題來做的。通俗的講，是實現(xiàn)神經(jīng)網(wǎng)絡逼近能力的技術

由于20世紀80年代計算機的硬件水平有限，運算能力跟不上，導致神經(jīng)網(wǎng)絡規(guī)模增大時使用BP算法出現(xiàn)了“梯度消失”問題，這導致BP算法的發(fā)展受到了限制，人工神經(jīng)網(wǎng)絡的發(fā)展再次進入到瓶頸期。

1.4 深度學習的爆發(fā)階段

2006年是深度學習元年。這一年，Geoffey Hinton（杰弗里·辛頓）提出了深度學習的概念，并提出了深層網(wǎng)絡訓練中梯度消失問題的解決方案———通過無監(jiān)督預訓練對權值進行初始化，再加上有監(jiān)督訓練微調(diào)。

1、無監(jiān)督預訓練是用來訓練的數(shù)據(jù)不包含輸出目標，需要學習算法自動學習到一些有價值的信息。

2、有監(jiān)督訓練，又稱監(jiān)督學習，是一個機器學習中的方法，可以由訓練資料中學到或建立一個模式（函數(shù) / learning model），并依此模式推測新的實例。訓練資料是由輸入物件（通常是向量）和預期輸出所組成。函數(shù)的輸出可以是一個連續(xù)的值（稱為回歸分析），或是預測一個分類標簽（稱作分類）。

2012年，Geoffey Hinton 課題組為了證明深度學習的潛力，首次參加ImageNet圖像識別比賽，其構建的卷積神經(jīng)網(wǎng)絡模型AlexNet一舉奪冠，且再分類準確率和分類速度上碾壓第二名SVM（支持向量機模型）。

2014年，Facebook公司基于深度學習技術的DeepFace項目，在人臉識別方面的準確率已經(jīng)達到97%以上，跟人眼識別的準確率幾乎沒有差別，再一次證明了深度學習算法在圖像識別方面的領先性。

2016年，Google公司基于深度學習開發(fā)的AlphaGo以4：1的比分戰(zhàn)勝了國際頂尖圍棋高手李世石，使得深度學習在世界范圍內(nèi)再次掀起狂潮。

又一年，2017年，世界第一的中國棋手柯潔九段與AlphaGo進行對抗

1.5深度學習的應用領域

1、計算機視覺

1、什么是計算機視覺(Computer vision)?

　　計算機視覺(Computer Vision)，人靠視覺來做飯、越過障礙等等，Computer Vision就是讓計算機有視覺，目的是讓計算機看懂圖像(image)和視頻(video)，手機或相機固然可以拍出很精細和細節(jié)的照片，比人看的遠，清除，但是李飛飛教授說過：“

hear is the not the same as to listen, To take pictures is not the same as to see”,所以計算機視覺目的是看懂。

　　看-------看是很簡單的，計算機比人更會看（image， video）

　　懂-----我認為懂是讓計算機能夠在image和video中，根據(jù)人的命令來做相應的動作。就像人看懂一樣，首先人要看到東西（image or video），然后大腦根據(jù)東西做出相關動作。由于計算機不能夠像人一樣global地分析image or video，所以我們要做image process ：為存儲、除數(shù)和表示而對image data進行處理，以便計算機自動理解。自動理解后，我們向其發(fā)送指令，它便可以和人一樣。

2、自然語言處理

????? 自然語言處理( Natural Language Processing, NLP)是計算機科學領域與人工智能領域中的一個重要方向。它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。自然語言處理是一門融語言學、計算機科學、數(shù)學于一體的科學。因此，這一領域的研究將涉及自然語言，即人們?nèi)粘Ｊ褂玫恼Z言，所以它與語言學的研究有著密切的聯(lián)系，但又有重要的區(qū)別。自然語言處理并不是一般地研究自然語言，而在于研制能有效地實現(xiàn)自然語言通信的計算機系統(tǒng)，特別是其中的軟件系統(tǒng)。因而它是計算機科學的一部分

1.6深度學習框架簡介

1、TensorFlow

TensorFlow是一個開放源代碼軟件庫，用于進行高性能數(shù)值計算。借助其靈活的架構，用戶可以輕松地將計算工作部署到多種平臺（CPU、GPU、TPU）和設備（桌面設備、服務器集群、移動設備、邊緣設備等）。

ensorFlow 是一個用于研究和生產(chǎn)的開放源代碼機器學習庫。TensorFlow 提供了各種 API，可供初學者和專家在桌面、移動、網(wǎng)絡和云端環(huán)境下進行開發(fā)。

TensorFlow是采用數(shù)據(jù)流圖（data　flow　graphs）來計算,所以首先我們得創(chuàng)建一個數(shù)據(jù)流流圖,然后再將我們的數(shù)據(jù)（數(shù)據(jù)以張量(tensor)的形式存在）放在數(shù)據(jù)流圖中計算. 節(jié)點（Nodes）在圖中表示數(shù)學操作,圖中的邊（edges）則表示在節(jié)點間相互聯(lián)系的多維數(shù)據(jù)數(shù)組, 即張量（tensor)。訓練模型時tensor會不斷的從數(shù)據(jù)流圖中的一個節(jié)點flow到另一節(jié)點, 這就是TensorFlow名字的由來。
張量（Tensor):張量有多種. 零階張量為 純量或標量 (scalar) 也就是一個數(shù)值. 比如 [1],一階張量為 向量 (vector), 比如 一維的 [1, 2, 3],二階張量為 矩陣 (matrix), 比如 二維的 [[1, 2, 3],[4, 5, 6],[7, 8, 9]],以此類推, 還有 三階 三維的 …
張量從流圖的一端流動到另一端的計算過程。它生動形象地描述了復雜數(shù)據(jù)結構在人工神經(jīng)網(wǎng)中的流動、傳輸、分析和處理模式。

在機器學習中，數(shù)值通常由4種類型構成：
（1）標量（scalar）：即一個數(shù)值，它是計算的最小單元，如“1”或“3.2”等。
（2）向量（vector）：由一些標量構成的一維數(shù)組，如[1, 3.2, 4.6]等。
（3）矩陣（matrix）：是由標量構成的二維數(shù)組。
（4）張量（tensor）：由多維（通常）數(shù)組構成的數(shù)據(jù)集合，可理解為高維矩陣。

使用TensorFlow的優(yōu)點主要表現(xiàn)在如下幾個方面：

（1）TensorFlow有一個非常直觀的構架，顧名思義，它有一個“張量流”。用戶可以很容易地看到張量流動的每一個部分（借助TensorBoard，在后面的章節(jié)會有所提及）。

（2）TensorFlow可輕松地在CPU/GPU上部署，進行分布式計算。

（3）TensorFlow跨平臺性高，靈活性強。TensorFlow不但可以在Linux、Mac和Windows系統(tǒng)下運行，甚至還可以在移動終端下工作。

當然，TensorFlow也有不足之處，主要表現(xiàn)在它的代碼比較底層，需要用戶編寫大量的代碼，而且很多相似的功能，用戶還不得不“重造輪子”。但“瑕不掩瑜”，TensorFlow還是以雄厚技術積淀、穩(wěn)定的性能，一騎紅塵，“笑傲”于眾多深度學習框架之巔。

2、Caffe

Caffe是一個深度學習框架，Caffe在BSD許可下開源，使用C++編寫，帶有Python接口。是賈揚清在加州大學伯克利分校攻讀博士期間創(chuàng)建了Caffe項目。項目托管于GitHub，擁有眾多貢獻者。Caffe應用于學術研究項目、初創(chuàng)原型甚至視覺、語音和多媒體領域的大規(guī)模工業(yè)應用。雅虎還將Caffe與Apache Spark集成在一起，創(chuàng)建了一個分布式深度學習框架CaffeOnSpark。2017年4月，Facebook發(fā)布Caffe2，加入了遞歸神經(jīng)網(wǎng)絡等新功能。2018年3月底，Caffe2并入PyTorch。

特點

Caffe 完全開源，并且在有多個活躍社區(qū)溝通解答問題，同時提供了一個用于訓練、測試等完整工具包，可以幫助使用者快速上手。此外 Caffe 還具有以下特點：

模塊性：Caffe 以模塊化原則設計，實現(xiàn)了對新的數(shù)據(jù)格式，網(wǎng)絡層和損失函數(shù)輕松擴展。

表示和實現(xiàn)分離：Caffe 已經(jīng)用谷歌的 Protocl Buffer定義模型文件。使用特殊的文本文件 prototxt 表示網(wǎng)絡結構，以有向非循環(huán)圖形式的網(wǎng)絡構建。

Python和MATLAB結合： Caffe 提供了 Python 和 MATLAB 接口，供使用者選擇熟悉的語言調(diào)用部署算法應用。

GPU 加速：利用了 MKL、Open BLAS、cu BLAS 等計算庫，利用GPU實現(xiàn)計算加速。

結構

簡單來講，Caffe 中的數(shù)據(jù)結構是以 Blobs-layers-Net 形式存在。其中，Blobs 是通過 4 維向量形式（num，channel，height，width）存儲網(wǎng)絡中所有權重，激活值以及正向反向的數(shù)據(jù)。作為 Caffe 的標準數(shù)據(jù)格式，Blob 提供了統(tǒng)一內(nèi)存接口。Layers 表示的是神經(jīng)網(wǎng)絡中具體層，例如卷積層等，是 Caffe 模型的本質(zhì)內(nèi)容和執(zhí)行計算的基本單元。layer 層接收底層輸入的 Blobs，向高層輸出 Blobs。在每層會實現(xiàn)前向傳播，后向傳播。Net 是由多個層連接在一起，組成的有向無環(huán)圖。一個網(wǎng)絡將最初的 data 數(shù)據(jù)層加載數(shù)據(jù)開始到最后的 loss 層組合為整體。

3、PyTorch

PyTorch是一個的Python機器學習開源庫，基于Torch，用于自然語言處理等應用程序。

2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一個基于Python的可續(xù)計算包，提供兩個高級功能：1、具有強大的GPU加速的張量計算（如NumPy）。2、包含自動求導系統(tǒng)的深度神經(jīng)網(wǎng)絡。

PyTorch的前身是Torch，其底層和Torch框架一樣，但是使用Python重新寫了很多內(nèi)容，不僅更加靈活，支持動態(tài)圖，而且提供了Python接口。它是由Torch7團隊開發(fā)，是一個以Python優(yōu)先的深度學習框架，不僅能夠實現(xiàn)強大的GPU加速，同時還支持動態(tài)神經(jīng)網(wǎng)絡。

PyTorch既可以看作加入了GPU支持的numpy，同時也可以看成一個擁有自動求導功能的強大的深度神經(jīng)網(wǎng)絡。除了Facebook外，它已經(jīng)被Twitter、CMU和Salesforce等機構采用

優(yōu)點：

• PyTorch是相當簡潔且高效快速的框架

• 設計追求最少的封裝

• 設計符合人類思維，它讓用戶盡可能地專注于實現(xiàn)自己的想法

• 與google的Tensorflow類似，FAIR的支持足以確保PyTorch獲得持續(xù)的開發(fā)更新

• PyTorch作者親自維護的論壇 供用戶交流和求教問題

• 入門簡單

4、MXNet

MXNet 是亞馬遜（Amazon）選擇的深度學習庫。它擁有類似于 Theano 和 TensorFlow 的數(shù)據(jù)流圖，為多 GPU 配置提供了良好的配置，有著類似于 Lasagne 和 Blocks 更高級別的模型構建塊，并且可以在你可以想象的任何硬件上運行（包括手機）。對 Python 的支持只是其冰山一角—MXNet 同樣提供了對 R、Julia、C++、Scala、Matlab，和 Javascript 的接口。

增強了sparse.dot運算符的性能。

MXNet自動設置OpenMP，以便在未設置NUM_OMP_THREADS時使用所有可用的CPU內(nèi)核以最大限度地提高CPU利用率。

一元運算符和二元運算符可以避免在小型陣列上使用OpenMP，因為使用OpenMP實際上會損害多線程開銷。

在CPU上顯著提高了broadcast_add，broadcast_mul等的性能 。

使用NCCL 2.1版或更新版本時，建議將環(huán)境變量NCCL_LAUNCH_MODE設置為PARALLEL。

MXNet可以加速任何數(shù)值計算。神經(jīng)網(wǎng)絡中，每一層由一個線性函數(shù)和一個非線性變換組成。

開發(fā)環(huán)境搭建鏈接：

https://blog.csdn.net/weixin_45626468/article/details/114692986?spm=1001.2014.3001.5501

總結

以上是生活随笔為你收集整理的TensorFlow深度学习应用开发实战（深度学习简介和开发环境搭建）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。