这是一个创建于 1550 天前的主题，其中的信息可能已经有所发展或是发生改变。
- 间断的看了两年多的机器学习 /深度学习 /人工智能相关的东西,最后潜意识里觉得我要找的是神经网络,并且最近通过大脑的几百亿神经元看不同的教程,感觉理论上好像了解了,说下看法,如果不对的希望大佬能指正,如果有什么交流的地方就更好了.....
- 神经网络就是输入->权重×输入然后+++->结果 这样
- 如果想要纠正权重就需要计算误差,然后梯度下降慢慢增减权重.反向传播(这个应该是最简单的?或者是最入门的?)计算梯度(比如误差),基本上就是用到偏导数,复合函数求导,推理过程比较繁琐,但是最后得出来的公式应该是通用的?
- 目前暂时还没有找框架实现,但是推测框架的封装应该就是把这个梯度的计算公式直接内置了,然后我们就不需要再向上面那样一步一步推导了?
- 每层的输出都是权重乘输入,是不是相当于假设关系是线性的,然后通过多层和激活函数模拟一个近似的公式?
那么大胆的猜测是不是也有假设不是线性的....比如 xw 这种或者 logwx?
- 偏置再教程里没看到详细解析,大概的意思是防止再原点上不好算?
- 有手写反向传播计算梯度的例子吗?因为看的只是推导,感觉还少一个像高数上那种一个定理后面跟个例子让我学习的.........还是一般情况下大家都是只了解下推理过程,最后计算机计算都是调方法?
- matlab,tensorflow,pytorh 等软件 /框架 /包是不是同一种神经网络(就是前面说的那种最简单的先正向计算结果,再反向计算梯度),实现原理是一样的?只不过其他的功能封装的有所不同?
- 前馈神经网络是我前面说的输出=权重乘输入,没有计算梯度进行修改权重的方式,为啥还叫
神经网络?个人理解应该要有纠正的环节,难道是权重手动瞎蒙吗? - 如果理论没啥大问题,要开始实战,有没有大佬有什么推荐看的东西?
 | 1 flyaway 2021-10-12 23:22:06 +08:00  1 - 反向传播算法确实是基础，但是除非是做优化的或者做教学的，一般从业者其实很少手工推导。因为大部分的神经网络框架都已经处理好这部分内容了。实现机制比较复杂，我只知道会在内存中维持一个 compution graph 用来追踪所有的网络连接和神经元。 - 层与层之间的连接可以是非线性的，实际上大部分的激活函数都是非线性的。 - matlab 是一种编程语言，tensorflow, pytorch 是 python 下的神经网络框架。tensorflow 和 pytorch 数学抽象都是一样的，只是具体的实现方式不一样。就像 java 和 C++的关系，都是基于上下文无关文法的语言，只是各自有各自的特点。 |
 | 2 dji38838c 2021-10-12 23:31:27 +08:00 via Android 1 你这里面自己脑补的东西太多了 建议好好跟一个课程学学。 |
 | 3 wszgrcy OP @flyaway 也就是现在的算法什么的,一般都看看原理,就算是真正从事人工智能的大佬,不排在前几位基本上都属于调用?(研究出一个新的算法应该很费精力吧) 激活函数是非线性的这个我知道,但是为啥没有那种 w^x x^w logxw 这种输出的计算?还是说有但是比较高级? matlab 看起来更友好一些,但是是收费的,下一个快 20g......是不是换成其他的好一些.难道是 gui 收费,但是可以单独编译? 最后感谢大佬, |
 | 4 askfermi 2021-10-12 23:33:40 +08:00 1 > 有手写反向传播计算梯度的例子吗?因为看的只是推导,感觉还少一个像高数上那种一个定理后面跟个例子让我学习的.........还是一般情况下大家都是只了解下推理过程,最后计算机计算都是调方法? 其实就是 chain rule 反复用来用去。但我还真的曾经做了一个例子： https://tinynet.autoai.org/en/latest/induction/linear.html 这个例子只是 linear （或叫全连接？）层的，但是其他的基本上也通用。 > matlab,tensorflow,pytorh 等软件 /框架 /包是不是同一种神经网络(就是前面说的那种最简单的先正向计算结果,再反向计算梯度),实现原理是一样的?只不过其他的功能封装的有所不同? 据我所知，数学原理应该是一样的，但是优化的方法不同，例如 TF 1 会用静态图？我也不是很了解。 > 前馈神经网络是我前面说的输出=权重乘输入,没有计算梯度进行修改权重的方式,为啥还叫神经网络?个人理解应该要有纠正的环节,难道是权重手动瞎蒙吗? 感觉你的理解有误，前馈神经网络只是你的网络里没有环，但依然要反向传播算梯度。 > 如果理论没啥大问题,要开始实战,有没有大佬有什么推荐看的东西? 你可以自己实现一个神经网络框架。只有全连接的话很快。欢迎参考： https://github.com/autoai-org/Tinyml |
| 5 wszgrcy OP @dji38838c 几百亿的神经元当然是用来脑补的(误),不过你说的对,确实是应该找课程看看,两年前下了一堆,但是没找到目标,部分基础也不牢有些也没看明白,这回应该回去看下 |
| 7 flyaway 2021-10-12 23:40:31 +08:00 - 并不是什么排在前几位的才研究优化，只是大家的研究领域不同而已。有的人研究模型结构，比如现在流行的 Transformer，也有人研究优化算法，比如 Adam 和 Adafactor 。分工和兴趣不同而已。 - 我没见过那么复杂的计算，我猜测是因为简单的加和计算可以转化为矩阵乘积，更加适合用 GPU 来加速。 - 个人不推荐 Matlab，Matlab 更加偏数学和工程。如果你确实想做一些东西，我建议还是从 python 开始，python 圈里的资源更加丰富。 |
 | 8 FurN1 2021-10-12 23:45:28 +08:00 理论的基础实际上是你认知的基础。你看看自己能不能回答以下几个问题： 线性回归里，变量 x 和参数 w 组成的模型算出的值和实际数据是否一样？ 似然函数的自变量是什么？ 贝叶斯理论中，prior，posterior，以及似然值和前两个问题里的各种量如何对应？ |
| 9 FurN1 2021-10-13 00:01:33 +08:00 1 @IgniteWhite 问这几个问题的点在于，计算机在机器学习的问题上，要算的是一个概率论的东西。用概率论来描述问题时，一种简化思路是用节点来代表随机变量，用连接来代表非条件独立性的关系。这种结构刚好看起来像神经元的组成方式，仅此而已。 也就是说你在搞的是概率论的应用，使用到了线性代数和微积分的工具。电脑最终计算的是条件分布。所谓神经网络不能离开概率论去理解。 |
Select Language