七步入門深度神經(jīng)網(wǎng)絡(luò)資料下載

作者：Matthew Mayo 翻譯：Andrewseu 網(wǎng)上有很多的深度學(xué)習(xí)的免費(fèi)學(xué)習(xí)資源，但是可能會(huì)對(duì)從哪里開始有些困惑。七步內(nèi)從對(duì)深度神經(jīng)網(wǎng)絡(luò)的模糊理解到知識(shí)淵博的從業(yè)者（knowledgeable practitioner）！ 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，擁有很多的相似性，但是卻也不同，深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在自然語(yǔ)言處理、計(jì)算機(jī)視覺、生物信息學(xué)和其他領(lǐng)域解決了各種各樣的問題。深度學(xué)習(xí)經(jīng)歷了一場(chǎng)巨大的最近研究的重現(xiàn)，并且在很多領(lǐng)域中已經(jīng)展現(xiàn)出最先進(jìn)的成果。 本質(zhì)上，深度學(xué)習(xí)是超過(guò)一層隱藏神經(jīng)元的神經(jīng)網(wǎng)絡(luò)的執(zhí)行。但是，這是對(duì)深度學(xué)習(xí)的一個(gè)簡(jiǎn)單的看法，并且不是一個(gè)沒有爭(zhēng)議的觀點(diǎn)。這些深層構(gòu)架也非常不同，對(duì)不同任務(wù)或目標(biāo)優(yōu)化會(huì)有不同的執(zhí)行。在這樣一個(gè)恒定速率進(jìn)行著的大量研究在以史上未有的速度展現(xiàn)新的和創(chuàng)新的深度學(xué)習(xí)模型。 最近的一個(gè)白熱化的研究課題，深度學(xué)習(xí)似乎影響著機(jī)器學(xué)習(xí)的所有領(lǐng)域，相關(guān)的還有數(shù)據(jù)科學(xué)。粗略看看相關(guān)arXiv目錄下最近的論文，很容易看出大量正在被發(fā)表的論文都是深度學(xué)習(xí)相關(guān)的。鑒于已經(jīng)產(chǎn)生的令人驚嘆的成果，很多研究者，從業(yè)者和外行都在想深度學(xué)習(xí)是否是真正的人工智能的邊界。 這系列的閱讀材料和教程旨在給深度神經(jīng)網(wǎng)絡(luò)的新人提供一條路徑去理解這個(gè)巨大而復(fù)雜的課題。盡管我不假設(shè)對(duì)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)真正的理解，但是我假設(shè)你對(duì)一般的機(jī)器學(xué)習(xí)理論和實(shí)踐具有某種程度的熟悉度。為了克服在一般機(jī)器學(xué)習(xí)理論和實(shí)踐的不足，你可以看看最近KDnuggets發(fā)布的7 Steps to Mastering Machine Learning With Python。由于我們也看用Python寫的例子的執(zhí)行，對(duì)語(yǔ)言有些熟悉會(huì)很有用。介紹和綜述的資源在previodsly mentioned post也是提供的。 這篇博客將以緊密結(jié)合的順序使用網(wǎng)絡(luò)上免費(fèi)提供的材料在理論層面上獲得對(duì)深度神經(jīng)網(wǎng)絡(luò)的一些理解，然后繼續(xù)轉(zhuǎn)向一些實(shí)際的執(zhí)行。同樣的，借鑒過(guò)來(lái)的引用材料只屬于創(chuàng)建者，跟資源會(huì)一起被標(biāo)注。如果你看到有人因?yàn)樗麄兊墓ぷ鳑]有被正確引用，請(qǐng)告知我，我會(huì)很快修改的。 一個(gè)完全誠(chéng)實(shí)的免責(zé)申明：深度學(xué)習(xí)是一個(gè)復(fù)雜而在廣度和深度（pun unintended？）變化很快的領(lǐng)域，因此這篇博客不保證包括所有成為深度學(xué)習(xí)專家的手冊(cè)；這樣的一個(gè)轉(zhuǎn)化將會(huì)需要更多的時(shí)間，很多附加材料和很多實(shí)際建立和測(cè)試的模型。但是，我相信的是，使用這里的資源可以幫你在這樣一個(gè)路徑下開始。 第一步：介紹深度學(xué)習(xí) 如果你正在讀這個(gè)并且對(duì)這個(gè)課題感興趣，你可能已經(jīng)對(duì)深度神經(jīng)網(wǎng)絡(luò)已經(jīng)熟悉，甚至在一個(gè)很基礎(chǔ)的層次。神經(jīng)網(wǎng)絡(luò)有一個(gè)故事性的歷史，但是我們將不會(huì)深入。但是，我們需要如果在開始就有一個(gè)普遍高層次的理解。 首先，看看DeepLearning .tv精彩的介紹視頻。在 寫完這個(gè)的時(shí)候已經(jīng)有14個(gè)視頻了；如果你喜歡看完他們，但是一定要看前五個(gè)，包含了神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)和一些更常見的結(jié)構(gòu)。 然后，仔細(xì)閱讀Geoff Hinton，Yoshua Bengioh和Yann LeCun的NIPS 2015 Deep Learning Tutorial，一個(gè)稍微更低層次的介紹。 完成我們的第一步，讀the first chapter of Neural Networks and Deep Learning，這個(gè)由Michael Nielden寫的精妙的，不斷更新的在線書，這會(huì)更近一步但是依然很粗淺。 第二步：學(xué)習(xí)技術(shù) 深度神經(jīng)網(wǎng)絡(luò)依賴代數(shù)和微積分的數(shù)學(xué)基礎(chǔ)。然而這篇博客不會(huì)產(chǎn)生任何理論上的數(shù)學(xué)，在繼續(xù)之前有一些理解將會(huì)很有幫助。 第一，看Andrew Ng的linear algebra review videos。但是不是絕對(duì)的必要，想要對(duì)線性代數(shù)了解更深的話，從Ng的斯坦福課程看看Zico Kolter 和Chuong Do寫的Linear Algebra Review and Reference. 然后看看Professor Leonard的Introduction to the Derivative of a Function. 視頻是很簡(jiǎn)潔的，例子是很清晰的，并且提供了從數(shù)學(xué)的視角來(lái)看在反向傳播的過(guò)程中到底發(fā)生了什么。一會(huì)兒會(huì)更多。 接下來(lái)迅速瀏覽下維基Sigmoid function的詞條，一個(gè)在神經(jīng)網(wǎng)絡(luò)中經(jīng)常通過(guò)單個(gè)神經(jīng)元應(yīng)用的邊界差分函數(shù)。 最后，從數(shù)學(xué)上休息下閱讀谷歌研究科學(xué)家 Quoc Le的Deep Learning Tutorial. 第三步：反向傳播和梯度下降 神經(jīng)網(wǎng)絡(luò)包括現(xiàn)代深度構(gòu)架重要的一部分是反向傳播算法的錯(cuò)誤，使用離輸入更近的神經(jīng)元通過(guò)網(wǎng)絡(luò)更新權(quán)重。非常坦率的說(shuō)，這就是神經(jīng)網(wǎng)絡(luò)繼承他們”力量“（缺乏更好的術(shù)語(yǔ)）的地方。反向傳播和一個(gè)隨后分布式的最小化權(quán)重的優(yōu)化方法，為了最小化損失函數(shù)。在深度學(xué)習(xí)中一個(gè)常見的優(yōu)化方法是梯度下降。 首先，看看這些斯圖加特大學(xué)Marc Toussaint 寫的關(guān)于梯度下降的介紹筆記。 然后，看看Matt Mazur寫的this step by step example of backpropagation in action. 繼續(xù)，閱讀Jeremy Kun關(guān)于 coding backpropagation in Python的信息博客。仔細(xì)看看完整代碼也是建議的，嘗試自己寫一遍代碼。 最后，讀Quoc Le寫的Deep Learning Tutorial的第二部分，為了獲取一些更具體更常見的深度結(jié)構(gòu)和他們用途的介紹。 第四步：實(shí)踐 具體的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的下一步介紹將會(huì)使用在現(xiàn)在研究中最流行的python深度學(xué)習(xí)庫(kù)包括實(shí)際執(zhí)行。在一些情況下，一些不同的庫(kù)的優(yōu)化是為了某個(gè)特定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且已經(jīng)在某些特定的領(lǐng)域立足，我們將會(huì)使用三個(gè)不同的深度學(xué)習(xí)庫(kù)。這不是多余的，在特定領(lǐng)域的實(shí)踐中與最新的庫(kù)保持一致時(shí)學(xué)習(xí)時(shí)很重要的一步。接下來(lái)的訓(xùn)練也將會(huì)讓你自己評(píng)價(jià)不同的庫(kù)，并且形成一個(gè)在哪些問題上用哪個(gè)的直覺。 現(xiàn)在歡迎你選擇一個(gè)庫(kù)或者聯(lián)合庫(kù)進(jìn)行安裝，是否繼續(xù)那些教程取決于你的選擇。如果你希望嘗試一個(gè)庫(kù)并且使用它來(lái)執(zhí)行接下來(lái)步驟的教程，我會(huì)推薦TensorFlow,原因如下，我會(huì)提到最相關(guān)的（至少是在我的眼中）：它執(zhí)行自動(dòng)分化（autodifferentiation），意味著你不需要擔(dān)心從頭執(zhí)行反向傳播，更可能使代碼更容易理解（尤其是對(duì)一個(gè)初學(xué)者來(lái)說(shuō)）。 我寫關(guān)于TensorFlow的文章是在剛出來(lái)的時(shí)候TensorFlow Disappoints – Google Deep Learning Falls Shallow，這個(gè)標(biāo)題暗示著比在實(shí)際中更失望；我最初關(guān)注的是它缺少GPU集叢的網(wǎng)絡(luò)訓(xùn)練（很可能很快會(huì)有它自己的方式）.無(wú)論如何，如果你沒有看列在下面的白皮書但是想看更多關(guān)于TensotFlow的材料，我建議讀我原始的文章，然后跟著Zachary Lipton's 寫的很好的部分，TensorFlow is Terrific – A Sober Take on Deep Learning Acceleration. TensorFlow Google的TensorFlow是基于數(shù)據(jù)流圖展現(xiàn)的一個(gè)通用的機(jī)器i學(xué)習(xí)庫(kù)。 安裝TensorFlow在這里 查看白皮書 嘗試它的 文檔 Theano Theano是被蒙特利爾大學(xué)的LISA group積極開發(fā)的。 安裝Theano在這里 介紹教程 文檔 Caffe Caffe是由加州大學(xué)伯克利分校的BVLC開發(fā)的。Theano和Tensorflow可以認(rèn)為是通用的深度學(xué)習(xí)庫(kù)，Caffe是由一個(gè)計(jì)算機(jī)視覺的組開發(fā)的，主要考慮的解決那樣的問題；但是，它也是一個(gè)通用的庫(kù)為了為不同領(lǐng)域建立不同的深度學(xué)習(xí)框架。 在這里安裝Caffe 閱讀來(lái)進(jìn)行熟悉 同時(shí)看看文檔