Python深度学习

(副标题)：无 ;

(作者): [英] 尼格尔·刘易斯 ;

内容简介：

​ 第4章　深度神经网络简介

人学走路从来不是靠规矩，而是从尝试与跌倒中学习。
——理查德·布兰森
深度学习技术的实际应用取得了显著的成绩。经过几十年的研究，经历了众多失败的应用，只有极少数的专家研究人员坚持下来没有放弃44。曾经被认为不可能的深度学习网络现在变得可行，因为其在诸如对象识别45、场景感知46和遮挡检测47等应用中，比其他所有先进的机器学习工具表现得更出色，深度神经网络获得了巨大的推动。
在本章中，我们将讨论深度神经网络（DNN）的几个实际应用，如雾天可视性增强、恶意软件检测和图像压缩，然后用Python构建一个简单的深度神经网络来演示通用逼近定理。
4.1　深度神经网络简析
深度学习模型由于其优秀的预测性能，包括对过度拟合的鲁棒性48，正在迅速发展并广泛应用于商业领域。它们越来越多成功地应用于从自然语言处理到文档识别和交通标志分类49等各种应用中。
如图4.1所示，一个DNN模型由一个输入层、一个输出层以及夹在中间的一些隐藏层组成。它类似于多层感知器，但是有许多的隐藏层，在每一层有多个连接的神经元。DNN的多个隐藏层是非常有用的，因为它们可以模拟极其复杂的决策功能。

图4.1　一个DNN模型
隐藏层与输入层相连，它们对输入值进行组合和加权，产生新的实际值，然后将其传递到输出层。
输出层使用在隐藏层中计算的抽象特征进行分类或预测决策。
在DNN学习期间，不同层之间连接的权重会被更新，以使输出值尽可能地接近目标输出。
说明

　
隐藏层可以被认为是非常复杂的特征转换。

4.2　怎样在一分钟内解释深度神经网络
作为数据科学家，我们经常需要向其他数据科学家解释我们使用的技术，这些科学家可能对这种方法并不熟悉。能够做到一分钟内讲清楚DNN是一项了不起的技能。如果必须在60秒或更短的时间内解释DNN，深吸一口气然后指向图4.

目录预览：

​ Python深度学习
第1章 如何阅读本书
第2章 深度学习入门
第3章 神经网络基础
第4章 深度神经网络简介
第5章 如何构建可定制的深度预测模型
第6章 提高性能的一些技巧
第7章 二元分类神经网络的奥秘
第8章 构建优秀模型之道
第9章 深度神经网络在多元分类问题的简单应用