機器學(xué)習(xí)——深度學(xué)習(xí)(Deep Learning)之我見

　　Deep Learning是機器學(xué)習(xí)中一個非常接近AI的領(lǐng)域，其動機在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，最近研究了機器學(xué)習(xí)中一些深度學(xué)習(xí)的相關(guān)知識，本文給出一些很有用的資料和心得。

　　Key Words：有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)，分類、回歸，密度估計、聚類，深度學(xué)習(xí)，Sparse DBN，

　　1. 有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)

　　給定一組數(shù)據(jù)(input，target)為Z=(X，Y)。

　　有監(jiān)督學(xué)習(xí)：最常見的是regression & classification。

　　regression：Y是實數(shù)vector?；貧w問題，就是擬合(X，Y)的一條曲線，使得下式cost function L最小。

　　classification：Y是一個finite number，可以看做類標(biāo)號。分類問題需要首先給定有l(wèi)abel的數(shù)據(jù)訓(xùn)練分類器，故屬于有監(jiān)督學(xué)習(xí)過程。分類問題中，cost function L(X,Y)是X屬于類Y的概率的負(fù)對數(shù)。

　　無監(jiān)督學(xué)習(xí)：無監(jiān)督學(xué)習(xí)的目的是學(xué)習(xí)一個function f，使它可以描述給定數(shù)據(jù)的位置分布P(Z)。 包括兩種：density estimation & clustering.

　　density estimation就是密度估計，估計該數(shù)據(jù)在任意位置的分布密度

　　clustering就是聚類，將Z聚集幾類(如K-Means)，或者給出一個樣本屬于每一類的概率。由于不需要事先根據(jù)訓(xùn)練數(shù)據(jù)去train聚類器，故屬于無監(jiān)督學(xué)習(xí)。

　　PCA和很多deep learning算法都屬于無監(jiān)督學(xué)習(xí)。

　　2. 深度學(xué)習(xí)Deep Learning介紹

　　Depth 概念：depth: the length of the longest path from an input to an output.

　　Deep Architecture 的三個特點：深度不足會出現(xiàn)問題;人腦具有一個深度結(jié)構(gòu)(每深入一層進(jìn)行一次abstraction，由lower-layer的features描述而成的feature構(gòu)成，就是上篇中提到的feature hierarchy問題，而且該hierarchy是一個稀疏矩陣);認(rèn)知過程逐層進(jìn)行，逐步抽象

　　3篇文章介紹Deep Belief Networks，作為DBN的breakthrough

　　3.Deep Learning Algorithm 的核心思想：

　　把learning hierarchy 看做一個network，則

　?、贌o監(jiān)督學(xué)習(xí)用于每一層網(wǎng)絡(luò)的pre-train;

　?、诿看斡脽o監(jiān)督學(xué)習(xí)只訓(xùn)練一層，將其訓(xùn)練結(jié)果作為其higher一層的輸入;

　?、塾帽O(jiān)督學(xué)習(xí)去調(diào)整所有層

　　這里不負(fù)責(zé)任地理解下，舉個例子在Autoencoder中，無監(jiān)督學(xué)習(xí)學(xué)的是feature，有監(jiān)督學(xué)習(xí)用在fine-tuning. 比如每一個neural network 學(xué)出的hidden layer就是feature，作為下一次神經(jīng)網(wǎng)絡(luò)無監(jiān)督學(xué)習(xí)的input……這樣一次次就學(xué)出了一個deep的網(wǎng)絡(luò)，每一層都是上一次學(xué)習(xí)的hidden layer。再用softmax classifier去fine-tuning這個deep network的系數(shù)。

　　這三個點是Deep Learning Algorithm的精髓，我在上一篇文章中也有講到，其中第三部分：Learning Features Hierachy & Sparse DBN就講了如何運用Sparse DBN進(jìn)行feature學(xué)習(xí)。

　　4. Deep Learning 經(jīng)典閱讀材料：

　　The monograph or review paper Learning Deep Architectures for AI (Foundations & Trends in Machine Learning, 2009).

　　The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list of references.

　　The LISA public wiki has a reading list and a bibliography.

　　Geoff Hinton has readings from last year’s NIPS tutorial.

　　闡述Deep learning主要思想的三篇文章：

　　Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006

　　Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007<比較了RBM和Auto-encoder>

　　Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007<將稀疏自編碼用于回旋結(jié)構(gòu)(convolutional architecture)>

　　06年后，大批deep learning文章涌現(xiàn)，感興趣的可以看下大牛Yoshua Bengio的綜述Learning deep architectures for {AI},不過本文很長，很長……

　　5. Deep Learning工具—— Theano

　　Theano是deep learning的Python庫，要求首先熟悉Python語言和numpy，建議讀者先看Theano basic tutorial，然后按照Getting Started 下載相關(guān)數(shù)據(jù)并用gradient descent的方法進(jìn)行學(xué)習(xí)。

　　學(xué)習(xí)了Theano的基本方法后，可以練習(xí)寫以下幾個算法：

　　有監(jiān)督學(xué)習(xí)：

　　Logistic Regression - using Theano for something simple

　　Multilayer perceptron - introduction to layers

　　Deep Convolutional Network - a simplified version of LeNet5

　　無監(jiān)督學(xué)習(xí)：

　　Auto Encoders, Denoising Autoencoders - description of autoencoders

　　Stacked Denoising Auto-Encoders - easy steps into unsupervised pre-training for deep nets

　　Restricted Boltzmann Machines - single layer generative RBM model

　　Deep Belief Networks - unsupervised generative pre-training of stacked RBMs followed by supervised fine-tuning

　　最后呢，推薦給大家基本ML的書籍：

　　Chris Bishop, “Pattern Recognition and Machine Learning”, 2007

　　Simon Haykin, “Neural Networks: a Comprehensive Foundation”, 2009 (3rd edition)

　　Richard O. Duda, Peter E. Hart and David G. Stork, “Pattern Classification”, 2001 (2nd edition)