肺部感染识别
- 加载预训练模型resnet,该模型已在imagenet上训练过
- 冻结预训练模型中底层卷积层的参数(权重)
- 用可训练参数的多层替换分类层
- 在训练集上训练分类层
- 微调超参数,根据需要解冻更多层
比如圈起来的conv1卷积层,7*7的卷积核,通道为64层,步长是2
conv2层 1*1的卷积核有64,3*3的卷积核有64个,1*1的卷积核有256个 整个模块重复三次
下面的模块同理
最后的averge是全连接层,50的计算方式是
3*3+3+4+3*6+3*3+2(全连接)=50
越往后卷积层提取的特征可能会越少
迁移学习(transfer learing)就是把眼睛训练好的模型参数迁移到新的模型帮助新模型训练
机器学习算法氛围
监督学习:数据依旧被标记,知道目标变量,这种学习方法系统可以根据过去的数据知道未来的结果,提供输入输出的变量以便对其进行训练,例如手写数字
- 常见技术:线性回归,逻辑回归,支持向量机,朴素贝叶斯和决策树
无监督学习:使用未标记数据,自行从数据中发现模式,系统能从数据中提取隐藏的特征,一旦数据更具可读性,模式和相似性就会变得更加明显,例如使用未标记的车辆训练模型,目的是对每种车辆进行分类
- 常见技术:k均值聚类,层次聚类和异常检测
- 强化学习:又称再励学习,用于描述和解决智能体与环境的交互中,通过学习策略已达成回报最大化或实现特定目标的问题,智能体从环境接收观测和奖励,并向环境做出反应,比如可以通过强化学习让机器识别形状
步骤
- 收集数据
- 数据预处理
- 选择模型
- 训练模型
- 评估模型
- 调整参数
- 进行预测
深度学习是机器学习的一个子集
它是受人脑功能和结构启发的算法,深度学习算法可以处理大量结构话和非结构话的数据,其核心概念在于人工智能网络,也就是它使得机器能够做出决策
深度学习和机器学习区别出要在与数据呈现给机器的方式,机器学习算法通常需要结构化数据,而深度学习网络则需要多层神经网络
比如有一个学习大量视网膜数据的神经网络
网路模型根据这些数据进行训练,以确定一个人是否有糖尿病视网膜病变
深度学习在网络中决策过程如下
- 计算输入加权和
- 然后计算的权重综合作为输入传递给激活函数
- 激活函数将输入的加权和作为函数的输入加上一个偏差
- 并决定神经元是否应该被激发
- 接着输出层给出预测的输出
- 模型输出还会与实际输出进行比较
- 计算好神经网络后,模型使用反向传播的方法来提升网络性能(这有助于降低错误率)
深度学习在人工智能领域占据主导