Andrew NG 在2016 NIPS 上tutorial 简单总结
Andrew NG 在2016 NIPS 上tutorial 简单总结
Andrew NG 在2016 NIPS 上tutorial 简单总结
水平有限，如有错误，请不吝指正，谢谢！ 视频地址youtube
神经网络已经出现很多年，为什么最近广泛应用起来
- 大数据
- 计算机能力的增强
DL分类
- 普通DL（全连接）
- 1-D序列模型（RNN，LSTM，GPU）
- 图像模型，2-D，3-D， CNN
- 其它类别：无监督学习，增强学习。
趋势
- 模型规模不断增大
- 端到端学习 （Rich output）
- 现在大多数机器学习算法只是输出一个值，但深度学习可以干更复杂的事，输出富文本（image->caption, audio->transcript, english->frence, parameters->image）
端到端学习
端到端学习并不能解决所有事情。 拿语音识别举例: 传统方法： audio -> phonemes -> transcript 端到端：audio -> transcript
如果想让端到端学习工作的话，需要大量的标签数据。(X,Y)
另一个例子：通过手的X-ray图像判断小孩的年龄
传统方法：x-ray image -> bones lengths -> age
端到端： image -> age
应用端到端方法，碰到的问题是，没有足够的训练数据去训练一个好的网络。DL用的更多的地方是传统方法的：x-ray image -> bones lengths 这个过程。
?多少数据才够，数据不够的话，小心使用端到端学习
碰到问题时，应该怎么解决。（bias/variance）
Goal: 人类水平的语音识别系统
定义bias和variance：
bias : 训练集错误率 <–> 人类水平错误率
variance: dev-set错误率 <–> train-set错误率
human error | train-set error | dev-set error | test-set error | 问题 |
|---|---|---|---|---|
1% | 5% | 6% | high bias | |
1% | 2% | 6% | high variance | |
1% | 5% | 10% | high bias, high variable |
基本workflow:
Created with Raphaël 2.1.0StartTraining error is low?Dev error is low?DoneMore data, Regularization, New Model architecture.Bigger model,Train longer, new Model architecture.yesnoyesno
Bigger Model 和 More Data 总是会得到好结果。
建议：unified data warehouse
问题：当前，用于训练的数据分布，和测试集数据分布很有可能属于不同分布
假设50000h的语音数据（但不是来自测试分布的数据），和10h的语音数据（来自于测试分布）。如何组织你的train, dev, test set？
第一种方案： 将50000h分为train, dev set，10h 作为测试数据（bad idea）
第二种方案：50000h作为train set，10h分为dev，test set。（dev和test set应该服从同一分布）
第三种方案：50000h 分为 train-set， train-dev-set，10h分为 dev-set，test-set 。
重新定义bias variance：
bias : 训练集错误率 <–> 人类水平错误率
variance: train-dev-set错误率 <–> train-set错误率
train-test mismatch： train-dev-set <—> dev-set
overfitting of dev: dev-set <–> test-set
human-level | train-set | train-dev-set | dev-set | test-set | 问题 |
|---|---|---|---|---|---|
1% | 10% | 10.1% | 10.1% | 10.2% | high bias |
1% | 2% | 2.1% | 10% | train-test mismatch |
基本workflow：
Created with Raphaël 2.1.0StartTraining error is low?Train-Dev error is low?Dev error is low?Test error is low?DoneGet more dev data.More data similar to test, Data Synthesis/Augmentation, New Architecture.More data, Regularization, New Model architecture.Bigger model,Train longer, new Model architecture.yesnoyesnoyesnoyesno
提高模型准确率
如何定义human level error：专家团错误率。
- 当模型准确率低于人类水平时
- 从人类获得更多的数据
- 错误分析（看哪些样本分错了）
- 评估
bias/variance影响。
AL/DL 可以干什么？
1) 人类在一秒中可以干的事情，深度学习可以做（给数据打标签）。 2) 预测序列时间的下一个输出。 3) 人工智能应该干人类无法干的事（马云）
如何学习机器学习
- ML course
- DL schoole
- Phd student process
- read papers
- replicate results
- dirty work
- downloading data, clean data
- downloading piece of data, tuning the parameters and see what happend
腾讯云开发者
