初识Deep Learning（深度学习） I

背景

深度学习的概念由Hinton等人于2006年提出，对传统的人工神经网络算法进行了改进，通过模仿人的大脑处理信号时的多层抽象机制来完成对数据的识别。

深度学习中的“deep”，指的是神经网络多层结构。

在传统的模式识别应用中，基本处理流程是先对数据进行预处理，之后在预处理后的数据上进行特征提取（Feature Extraction），然后利用这些特征，采用各种算法如SVM，CRF等训练出模型，并将测试数据的特征作为模型的输入，输入分类或标注的结果。在这个流程中，特征提取是至关重要的步骤。特征提取的好坏直接影响到模型分类的性能。而在实际应用中，设计合适的特征是一项充满挑战的工作，以图像为例，目前常用的特征还是少数的几种，如SIFT、HOG等。而深度学习方法可以首先从原始数据中无监督地学习特征，将学习到的特征作为之后各层的输入，省去了人工设计特征的步骤。

参数学习策略

首先，逐层训练模型参数，上一层的输出作为本层的输入，经过本层的编码器（激励函数构成）产生输出，调整本层的参数使得误差最小，如此即可逐层训练，每一层的学习过程都是无监督学习。最后可使用反向传播等算法对模型参数进行微调，用监督学习去调整所有层。

常用模型或方法

• AutoEncoder自动编码器
  假设只有一个没有类别的训练集合x，可以使用自编码神经网络，用反向传播算法来学习参数。
  首先用W对输入进行编码，经过**函数后，再用WT进行解码，从而使得h(x)≈x。该过程可以看作是对输入数据的压缩编码，将高维的原始数据用低维的向量表示，使压缩后的低维向量能保留输入数据的典型特征，从而能够较为方便的恢复原始数据。需要注意的是：这里增加了一个约束条件，即在对数据进行编码和解码时，使用的是同一个参数矩阵W。该约束可看作是一种regularization，用于减少参数的个数，控制模型的复杂度。
  
• Sparse Coding稀疏编码
  1.training阶段：给定一系列的样本图片[x1, x 2, …]，我们需要学习得到一组基[Φ1, Φ2, …]，也就是字典。
  稀疏编码是k-means算法的变体，其训练过程也差不多（EM算法的思想：如果要优化的目标函数包含两个变量，如L(W, B)，那么我们可以先固定W，调整B使得L最小，然后再固定B，调整W使L最小，这样迭代交替，不断将L推向最小值。EM算法可以见我的博客：“从最大似然到EM算法浅解”）。
  训练过程就是一个重复迭代的过程，按上面所说，我们交替的更改a和Φ使得下面这个目标函数最小。
  
  每次迭代分两步：
  a）固定字典Φ[k]，然后调整a[k]，使得上式，即目标函数最小（即解LASSO问题）。
  b）然后固定住a [k]，调整Φ [k]，使得上式，即目标函数最小（即解凸QP问题）。
  不断迭代，直至收敛。这样就可以得到一组可以良好表示这一系列x的基，也就是字典。
  2.Coding阶段：给定一个新的图片x，由上面得到的字典，通过解一个LASSO问题得到稀疏向量a。这个稀疏向量就是这个输入向量x的一个稀疏表达了。
  
  例如：