吴恩达机器学习全课程笔记第四篇

前言

P61-P68

激活函数

Softmax算法

P69-P73

Adam算法

更多类型的层

模型评估

P74-P79

偏差和方差

建立表现基准

学习曲线

偏差和方差与神经网络

前言

这是吴恩达机器学习笔记的第四篇，第三篇笔记请见：

吴恩达机器学习全课程笔记第三篇

完整的课程链接如下：

吴恩达机器学习教程（bilibili）

推荐网站：

scikit-learn中文社区

吴恩达机器学习资料（github）

P61-P68

激活函数

激活函数（Activation Function）是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。在神经元中，输入的input经过一系列加权求和后作用于另一个函数，这个函数就是这里的激活函数

sigmoid的替代品-ReLU

对于二进制分类问题，使用sigmoid激活函数或许是最好的选择，输出的刚好是标签为1的概率

在解决一个回归问题的时候，可以选择不同的激活函数，对于股票问题，可以选择普通的线性激活函数，对于其它的结果不为负的问题，可以选用ReLU

使用relu激活函数不仅本身计算快，而且可以使神经网络梯度下降得快一些

结合之前的神经网络例子，给出tensorflow代码：

在神经网络的隐藏层中需要使用非线性激活函数，这是因为需要在网络中引入非线性来学习复杂的模式。如果没有非线性激活函数，具有许多隐藏层的神经网络将成为一个巨大的线性回归模型，这对于从现实世界数据中学习复杂模式毫无用处。

如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，即W = W3*[W2*（W1*x)]。
如果隐藏层不使用激活函数，仅在输出层使用sigmoid函数，那么效果仅仅和标准Logistic回归一样

Softmax算法

多分类问题：

softmax回归算法是logistics回归的推广

下面展示softmax的成本函数

softmax作为输出的激活函数可以使每个激活值都依赖于z的所有值，还是拿之前那个识别手写数字的例子来看

写成代码的形式：

数字精确度问题：

通过这个例子知道，虽然我们计算softmax成本函数的方法是正确的，还有一种更加准确的计算方法可以去减少误差

对于logistics回归

对于softmax

完整的tensorflow代码为：

多标签输出分类问题（注意和多分类问题的区别）

解决这种问题的一种方法是把它看作三个完全独立的机器学习问题，建立神经网络检测是否有车？是否有公交？等

还有一种方法是训练一个可以直接输出三个结果的神经网络

P69-P73

Adam算法

梯度下降是一种最小化成本函数的方法，下面介绍其它的方法

有一种方法叫做Adam algorithm可以自动调整学习率

算法的原理是：如果w和b能够朝着一个大致相同的方向移动，那么就提高学习率，反之，降低学习率，将其应用在MNIST的例子中，代码如下：在compile中增加一个优化器的参数即可，同时包含了初始的学习率

模型评估

将数据集分为训练集和测试集

然后分别计算误差

对于分类问题（使用分类的成本函数）

模型选择

此时有一个问题，这里的测试集主要目的是为了挑选在测试集上表现最好的模型，也就是说最后得到模型之后，这个值一定是最小的，但是这个值是被挑选出来的，并不能真正反映模型的性能

还有一种优化的方法是把数据集分为三个部分，除了训练集和测试集，加上一个交叉验证集

此时：三部分数据集的各功能就如下所示：

训练集（训练阶段）
用于构建我们的模型，我们的模型在训练集上进行学习，通常在这个阶段我们可以有多种方法进行训练
验证集（模型挑选阶段）
用于挑选最优模型超参的样本集合：使用验证集可以得到反向传播什么时候结束以及超参怎么设置最合理。主要目的是为了挑选在验证集上表现最好的模型。
测试集（验证阶段评估泛化误差）
在我们挑选好验证集上表现最好的模型之后，用于评估该模型泛化能力的数据集。