谷歌教你學(xué) AI-第六講深度神經(jīng)網(wǎng)絡(luò)

Google Cloud發(fā)布了名為"AI Adventures"的系列視頻，用簡(jiǎn)單易懂的語(yǔ)言讓初學(xué)者了解機(jī)器學(xué)習(xí)的方方面面。今天讓我們來(lái)看到第六講深度神經(jīng)網(wǎng)絡(luò)。

觀看更多國(guó)外公開(kāi)課，點(diǎn)擊"閱讀原文"

回顧之前內(nèi)容：

谷歌教你學(xué) AI -第一講機(jī)器學(xué)習(xí)是什么?

谷歌教你學(xué) AI -第二講機(jī)器學(xué)習(xí)的7個(gè)步驟

谷歌教你學(xué) AI -第三講簡(jiǎn)單易懂的估算器

谷歌教你學(xué) AI -第四講部署預(yù)測(cè)模型

谷歌教你學(xué) AI -第五講模型可視化

本期視頻如下：

AI Adventures--第六講深度神經(jīng)網(wǎng)絡(luò)

針對(duì)不方便打開(kāi)視頻的小伙伴，CDA字幕組也貼心的整理了文字版本，如下：

在本期的AI Adventures中，我們將學(xué)習(xí)如何將線性模型轉(zhuǎn)換為深度神經(jīng)網(wǎng)絡(luò)，從而訓(xùn)練越來(lái)越復(fù)雜的數(shù)據(jù)集。

隨著線性模型中特征列的數(shù)量增加，在訓(xùn)練實(shí)現(xiàn)高正確率變得越來(lái)越難，因?yàn)椴煌兄g的交互越來(lái)越復(fù)雜。 這是一個(gè)已眾所周知的問(wèn)題，對(duì)于數(shù)據(jù)科學(xué)家來(lái)說(shuō)，特別有效的解決方案是使用深度神經(jīng)網(wǎng)絡(luò)。

為什么要用深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)能夠適應(yīng)更復(fù)雜的數(shù)據(jù)集，更好地推廣到新數(shù)據(jù)中。由于有許多層，因此被稱為”深”。 這些層能讓它們比線性模型，更能適應(yīng)復(fù)雜的數(shù)據(jù)集。

然而值得權(quán)衡的是，若用到深度神經(jīng)網(wǎng)絡(luò)，模型則需要更長(zhǎng)的訓(xùn)練時(shí)間，規(guī)模也更大，解釋性更低。 那么為什么要用呢？

因?yàn)檫@會(huì)帶來(lái)更高的正確性。

深度學(xué)習(xí)一個(gè)棘手的方面是:要讓所有參數(shù)“恰到好處”。

根據(jù)數(shù)據(jù)集，這些配置看幾乎是無(wú)限制的。 但是，TensorFlow內(nèi)置的Deep Classifier和Regressor提供了一些合理的默認(rèn)值，你可以立即開(kāi)始使用，從而快速輕松地進(jìn)行操作。

從線性到深度

我們來(lái)看一個(gè)例子，如何將鳶尾花的例子從線性模型更新到深度神經(jīng)網(wǎng)絡(luò)(通常縮寫(xiě)為DNN)。

我不打算展示DNN處理的2000列模型…因此我只打算使用我們之前用到的4列模型。當(dāng)中的機(jī)制都是一樣的。

主要的變化來(lái)自于用DNN分類(lèi)器替換線性分類(lèi)器。 這將為我們創(chuàng)建一個(gè)深度神經(jīng)網(wǎng)絡(luò)。

其他變化

其他的內(nèi)容幾乎都保持不變!深度神經(jīng)網(wǎng)絡(luò)還需要一個(gè)額外的參數(shù)，這是之前我們沒(méi)有涉及的。

由于深層神經(jīng)網(wǎng)絡(luò)有多個(gè)層，每層有不同數(shù)量的節(jié)點(diǎn)，我們將添加一個(gè)`hidden_units`參數(shù)。

`hidden_units`能夠讓你為每個(gè)圖層提供有具有節(jié)點(diǎn)數(shù)量的數(shù)組。這能讓你在創(chuàng)建神經(jīng)網(wǎng)絡(luò)時(shí)，只需考慮它的大小和形狀，而不是從頭考慮方方面面。添加或刪除層就像在數(shù)組中添加或刪除元素一樣簡(jiǎn)單！

更多的選擇

當(dāng)然，對(duì)于任何預(yù)先構(gòu)建的系統(tǒng)，這確實(shí)很方便，但是往往缺乏可定制性。 DNN分類(lèi)器通過(guò)讓你選擇許多其他參數(shù)來(lái)解決這個(gè)問(wèn)題。有些合理的默認(rèn)值會(huì)被使用 。 例如，優(yōu)化器，激活函數(shù)和退出率都等都可以自定義。

將模型從線性轉(zhuǎn)換為深度，還需要做些什么？

沒(méi)了！

這就是使用估算器框架的美妙之處。這是整理數(shù)據(jù)、訓(xùn)練、評(píng)估和模型導(dǎo)出的一種常見(jiàn)方式，同時(shí)還可以靈活地嘗試不同的模型和參數(shù)。

深度神經(jīng)網(wǎng)絡(luò)，讓問(wèn)題更簡(jiǎn)單

有時(shí)，深度神經(jīng)網(wǎng)絡(luò)效果要優(yōu)于線性模型。在這種情況下，通過(guò)使用估算器框架替換一個(gè)函數(shù)，TensorFlow可以輕松地從線性模型切換到深度模型，而只需要更改少數(shù)的代碼。 

這意味著你能夠用更多的時(shí)間來(lái)處理數(shù)據(jù)、模型和參數(shù)，而不是反復(fù)進(jìn)行訓(xùn)練循環(huán)。對(duì)于簡(jiǎn)單的深度神經(jīng)網(wǎng)絡(luò)問(wèn)題，快使用TensorFlow估算器吧！

下期預(yù)告

當(dāng)訓(xùn)練數(shù)據(jù)太大，我們的機(jī)器無(wú)法承載；或者訓(xùn)練模型需要好幾個(gè)小時(shí)，那么是時(shí)候考慮其他的選擇了。下一期我們將降到在云端訓(xùn)練大數(shù)據(jù)模型。