第四章 正道

解惑

小白和你都很纠结,升级为啥没有用呢?
你俩决定登门拜访一次“人工智能人话翻译官”。
翻译官家里的客厅中有一块巨大的白板,他就在这块白板前,开始了解惑的过程。


有的放矢

首先我们要明确一件事情,我们的模型怎么算好?
还记得在上一个章节中介绍

P,N 与P',N'之间的关系吗?
就是真是情况和预测值之间的关系。

还有更以前介绍的模型

输入 -> 模型 -> 输出 吗?

我们先把他们结合到一起。以上一章的恋爱数据为例,把数据灌进去就是。
我们一共有一百个人:
X 这个集合中就有(x_{1} , x_{2}, x_{3}, ... x{100}),x_{1}代表第一个人,x_{2}代表第二个人以此类推。x_{1}有三个维度我们用一个向量代表。
x_{1} = \begin{bmatrix} 财富 \\ {才华} \\ {颜值} \end {bmatrix}
我们用x_{1}^{1} 代表财富,x_{1}^{2}代表才华, x_{1}^{3}代表颜值。
x_{1} = \begin {bmatrix} {x_1^1} \\ {x_1^2} \\ {x_1^3} \end {bmatrix}

Y' 代表输出
Y' 这个集合中就有(y'_{1} , y'_{2}, y'_{3}, ... y'{100}),y'_{1}代表第一个人是否配对成功的预测结果,y'_{2}代表第二个人是否配对成功的预测结果以此类推。Y'有两种可能,配对成功,或者配对失败。

Y 代表真实的情况
Y 这个集合中就有(y_{1} , y_{2}, y_{3}, ... y{100}),y_{1}代表第一个人是否配对成功的真实情况,y'_{2}代表第二个人是否配对成功的真实情况以此类推。Y有两种可能,配对成功,或者配对失败。

最后他们的关系就是:
Y' = XW + threshold
由此我们自然希望Y 与 Y'之间的差距越小越好,最好Y'就是Y。

再来看一下模型:
Y' = XW + threshold
还记得之前的这个W和threshold我们是怎么设置的吗?
W = \begin {bmatrix} {0.5} \\ {0.5} \\ {0.5} \end {bmatrix}
threshold = -2150
是我们拍脑袋设置的!这就是造成我们模型不准确的最大原因。


我们接下来的目的就是如何让Y与Y'一致来展开,用数学公式表示就是
Y - Y' \approx 0
由于:
Y' = XW + threshold
最终:
Y-XW + threshold \approx 0
在这个公式中X已知,Y已知,不知道的是W和threshold。


学习能力

你的算法模型不是孩子了,他应该具备学习能力。
等等学习能力这东西太抽象了,它该如何体现在编程上呢?

学习是什么?

我们先来试着给"学习"下一个定义。为了不太抽象,我们回忆一下我们在小的时候是怎么认识苹果的。

图片来自wiki百科

你的父母绝对不可能这么对你讲:“苹果学名Malus pumila)是蔷薇科苹果亚科苹果属植物,其树为落叶乔木。”
一般的都是拿过来一个苹果,告诉你这是苹果,而你的直觉经验所得就是以后看见“红色的圆圆的,吃起来甜甜的”就是苹果,直到有一天你吃到了绿色的苹果,你会把之前的直觉经验改成“红色的或则绿色的圆圆的,吃起来甜甜的”就是苹果。以后看到类似的物体你就可以做出正确的判断了。

现在我们就可以给学习下一个定义了:人通过大量的观察,积累直觉经验,获得某项技能。
在刚才的故事中,你就是通过观察(视觉,味觉)大量的苹果,积累起来你的直觉经验(红色的或则绿色的圆圆的,吃起来甜甜的),最后获得判断物体是不是苹果的技能。

这个和之前我们讲过的输入->模型->输出吗?
把刚才的学习例子带入:

x_{1} = \begin{bmatrix} 颜色 \\ {形状} \\ {味觉} \end {bmatrix} 作为输入
大脑就是模型Y' = XW + threshold,(W与threshold就是大脑内部的神经元)
经过大脑处理得到y'_{1} = 苹果 或者 y'_{1} = 不是苹果 这就是输出。

大脑是怎么做到的?


抛开生物学上的细节,其实我们的大脑就是通过两个动作的大量训练实现了学习,掌握了识别苹果的技能。
这两个动作就是前向计算与反向传播:

前向计算:你的大脑接收到X的输入,利用内置的模型,得到Y'。
Y' = XW + threshold(W与threshold就是大脑内部的神经元) 如果Y'为正答案就是"苹果",否则得到"不是苹果"。

反向传播:
根据最有Y’与Y的差距,如果预测错了,则修改大脑内的神经元也就是修改W与threshold。如果预测对了,则不修改大脑内的神经元。

这两个过程一直循环,直到我们的掌握了识别苹果的技能——比如拿过50个苹果,50和苹果相似但不是苹果的物体,根据你大脑训练我们能大概率(比如90%)的识别出来。这也就相当于你大脑中有了正确的W与threshold

这个过程像不像我们在上学时做的考前模拟?


接下来我们考虑的就是如何让计算机帮我们实现这个学习的过程。
也就是针对Y - Y' 求极值问题,求最优解问题。正好在计算机科学里面有现成的框架可以帮你和小白。

极值
本例中Y - Y',我们希望Y越接近Y'越好,也就是越接近0越好——求极小值。

最优解
本例中,通过前向计算与反向传播不断调整Y - Y'W与threshold,终于在某一时刻,你获得到一个能帮你获得极值的参数组合。它们就是最优解。

只有按照这个思路解决才是正道啊!
你和小白意识到之前的模型设计思路有问题,它不能自主学习啊!赶紧回去查阅相关的文档,让模型具备自我学习能力。


总结一下今天学到的名词:
学习
前向计算
反向传播
极值
最优解

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,098评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,213评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,960评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,519评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,512评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,533评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,914评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,574评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,804评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,563评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,644评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,350评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,933评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,908评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,146评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,847评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,361评论 2 342

推荐阅读更多精彩内容

  • 主要内容 自然语言输入编码 前馈网络 卷积网络 循环网络(recurrent networks ) 递归网络(re...
    JackHorse阅读 4,095评论 0 2
  • Guide to BluetoothSecurity原文 本出版物可免费从以下网址获得:https://doi.o...
    公子小水阅读 7,879评论 0 6
  • 吃货的世界总是美食,而爱吃就是我们存在口欲期。而口欲期又存在两种心理:固着和退行。 固着:一个人在某些方面得到的过...
    小笨鱼王月阅读 167评论 0 0
  • 今天早上奶奶把我送到了学校,门已经开了,我进去后大家都在玩全员加速中,我便跑了进去一起玩,玩着玩着不知不觉老...
    kanzihan阅读 137评论 0 0
  • mac执行git相关命令都报错如下: 可能原因 升级了mac系统 卸载相关软件 可能因为最近清理mac存储空间卸载...
    好酒不见阅读 331评论 0 0