项目

一般

简介

Deep Learning algorithm

About History

  • 80年代末期,发明了 反向传播算法 (Back Propagation算法或BP算法)应用于人工神经网络,但实际上是多层感知机(Multi-layer Perception),是有一层隐层节点的 浅层模型
  • 90年代,各种 浅层模型 如SVM(Support Vector Machines)、Boosting、最大熵方法(如LR、logistic Regression)等。这些浅层模型应用成功,相比之下,这个时期浅层人工神经网络相对沉寂。

(但是在 图像识别领域 ,早在1989年, Yann Lecun 提出的 CNN (Convolutional Neural Network)是真正训练多层网络结构的算法,应用于 识别手写数字 效果显著,但 难以应用于大型图像处理 ,故一直没有得到
CV界的重视。)

  • 2000年代,对大数据的分析需求,各种 浅层模型 应用广泛如网页排序、邮件过滤系统、推荐用户喜好等。
  • 2006年, Geoffrey Hinton 基于 深度置信网(Deep Belief Net:DBN) ——其由一系列受限波尔兹曼机(Restricted Boltzmann Machine:RBM)组成,提出 非监督贪心逐层训练(Layerwise Pre-Training)算法 ,应用效果才取得突破性进展。 至此深度神经网络的研究才重新掀起热潮

总结来说,Hinton的两个观点:1)多隐层网络对于分类更准确;2) 深度神经网络训练的难度 ,可通过“逐层初始化”(layer-wise pre-training)来克服。

  • 后来各种NET模型层出,如2012年-- AlexNet ,2014年-- GoogLeNet

CNN(Convolutional Neural Networks)模型对于处理二维图像的优越性,使得现在在图像处理上广泛应用。(优点:直接输入二维图像矩阵,不需要进行变换)后来的一些网络模型应该是比较复杂的,综合了各种算法。

CNN

DBN

AlexNet

GoogLeNet

A_fast_learning_algorithm_for_deep_belief_nets.pdf - (Geoffrey Hinton) (618 KB) 涂 正中, 2015-05-05 16:47

Foundations_and_Trends_in_Machine_Learning.pdf (1.08 MB) 涂 正中, 2015-05-05 16:47