DIVE INTO DEEP LEARNING 50-55

已于 2024-06-23 22:08:06 修改
阅读量771 收藏 14
点赞数 8
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 深度学习 人工智能
于 2024-06-23 22:05:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/QuantumYou/article/details/139884594

文章目录

50. semantic segmentation

50.1 Basic concepts

  • 语义分割是计算机视觉领域中的一项重要任务，它的目标是为图像中的每个像素分配一个类别标签，从而实现对图像的细致理解。与图像分类任务不同，图像分类只关注整幅图像属于哪个类别，而语义分割则要求对每个像素进行类别预测，从而得到像素级的分类结果。

语义分割将图片中的每个像素分类到对应的类别。

在这里插入图片描述

  1. 像素级分类：语义分割的输出是一个与输入图像大小相同的矩阵，矩阵中的每个元素（即每个像素）都对应一个类别标签。

  2. 类别识别：语义分割需要识别图像中的不同物体或区域，并为它们分配相应的类别标签。这些类别可以是天空、道路、建筑、行人等。

  3. 精细分割：与图像分割 相比，语义分割更注重类别的识别，而不仅仅是将图像划分为不同的区域。因此，语义分割通常需要更精细的分割结果。

  4. 主要方法：语义分割的方法主要包括基于传统图像处理和基于深度学习的方法。传统方法通常利用颜色、纹理、形状等特征进行分割，而深度学习方法则通过训练神经网络模型来提取图像中的特征并实现像素级分类。目前，基于深度学习的语义分割方法已经取得了显著的效果，如全卷积网络（FCN）、U-Net、DeepLab等。

50.2 Major application

  • 背景虚化：传统的背景替换往往采用绿幕。在没有绿幕的情况下传统相机可以通过光圈来实现背景虚化，对于手机等设备而言背景虚化通常使用的都是语义分割或结合图像景深信息。

  • 路面分割：如无人驾驶时用于实时识别周围物体，实现找路的功能。

总结： 语义分割在自动驾驶、医学图像处理、卫星图像分析等领域有着广泛的应用。 在自动驾驶中，语义分割可以帮助车辆识别道路、行人、车辆等障碍物；在医学图像处理中，语义分割可以帮助医生识别病变区域。

语义分割与实例分割的区别

  • 语义分割只关心像素属于哪一类，而实例分割则更进一步，如图片里有两只狗，则需要得出哪个像素属于哪一只狗。可以将其理解为目标检测的进化版本。

在这里插入图片描述

51. Transposed convolution

51.1 Basic concepts

  • 转置卷积 ，也被称为反卷积（Deconvolution），是深度学习中的一种重要操作，主要用于实现上采样或特征图的尺寸恢复。以下是关于转置卷积的详细介绍：

上采样是图像处理中用于增加图像分辨率或恢复特征图尺寸的技术。在深度学习中，特别是在图像分割和生成模型中，上采样是一个关键步骤。

  • 转置卷积被视为卷积操作的一种逆向过程，但其并不真正恢复原始图像或特征图的数值，而是根据卷积核大小和输出大小，恢复特征图的尺寸。
  • 与传统的上采样方法（如最近邻插值、双线性插值等）不同，转置卷积具有可学习的参数，能够通过网络学习获取最优的上采样方式。

51.2 Major role

  1. 上采样：转置卷积可将输入的尺寸扩大，增加图像的分辨率，使其更适合某些任务，如图像分割。
  2. 特征图还原：在某些情况下，由于卷积和池化等操作，输入特征图的尺寸会减小。通过转置卷积，可以恢复特征图的尺寸，使其保持原始输入的形状。
  3. 生成模型中的应用：在生成对抗网络（GAN）等生成模型中，转置卷积用于从随机噪声生成高分辨率的图像。

51.3 Implementation steps and application areas

  1. 定义卷积核：与正常卷积操作一样，需要定义一个卷积核，其尺寸决定了转置卷积的输出尺寸。
  2. 对输入进行填充：为了保持输出与原始输入相同的尺寸，通常需要在输入周围进行填充操作。
  3. 卷积操作：使用定义的卷积核对填充后的输入进行卷积操作。
  4. 选择步长（stride）：步长的选择影响输出的尺寸，步长越大，输出尺寸越小。
  5. 去除填充：为了最终保持输出与原始输入相同的尺寸，需要去除填充部分。
  • 生成对抗网络（GAN）：在生成器中，通过转置卷积将随机噪声逐步放大，生成复杂的图像。
  • 图像分割：在解码器中，使用转置卷积恢复编码器输出的特征图尺寸，得到与原始图像相同尺寸的分割图。
  • 语义分割：如FCN和U-Net等经典方法，利用转置卷积在解码器中恢复特征图尺寸，从而对原图中的每个像素进行分类。

总结

转置卷积 有上采样和特征图尺寸恢复的能力。其独特的可学习参数使其在处理复杂的上采样任务时更加灵活和有效。在生成对抗网络、图像分割和语义分割等领域有着广泛的应用。

51.4 Transposed convolution

  • 转置卷积和卷积的区别：

    • 卷积不会增大输入的高宽，通常要么不变、要么减半
    • 转置卷积则可以用来增大输入高宽

  • 转置卷积的具体实现：

    在这里插入图片描述

如图所示，input里的每个元素和kernel相乘，最后把对应位置相加，相当于卷积的逆变换

  • 为什么称之为“转置：
    • 对于卷积Y=X*W
      • 可以对W构造一个V，使得卷积等价于矩阵乘法Y’=VX’
      • 这里Y’,X’是Y,X对应的向量版本
    • 转置卷积等价于Y’=VTX’
    • 如果卷积将输入从（h，w）变成了（h‘，w’）
      • 同样超参数的转置卷积则从（h‘，w’）变成为（h，w）

转置卷积X’=V^T Y’

51.5 Transposed convolution is a type of convolution

在这里插入图片描述

  • 重新排列输入和核

    • 当填充为0步幅为1时：
      • 将输入填充k-1（k时核窗口）
      • 将核矩阵上下、左右翻转
      • 然后做正常卷积（填充0、步幅1）

在这里插入图片描述

  • 当填充为p步幅为1时：
    • 将输如填充k-p-1（k是核窗口）
    • 将核矩阵上下、左右翻转
    • 然后做正常卷积（填充0、步幅1）

在这里插入图片描述

  • 当填充为p步幅为s时：

    • 在行和列之间插入s-1行或列

    • 将输如填充k-p-1（k是核窗口）

    • 将核矩阵上下、左右翻转

    • 然后做正常卷积（填充0、步幅1）

  • 形状换算

    • 输入高（宽）为n，核k，填充p，步幅s：

      • 转置卷积：n‘=sn+k-2p-s

      • 卷积：n’=[(n-k-2p+s)/s]向下取整

    • 如果让高宽成倍增加，那么k=2p+s

  • 同反卷积的关系

    • 数学上的反卷积是指卷积的逆运算
      • 若Y=conv（X,K），那么X=deconv（Y,K）
    • 反卷积很少用在深度学习中
      • 我们说的反卷积神经网络指用了转置卷积的神经网络

总结

  • 转置卷积是一种变化了输入和核的卷积，来得到上采用的目的
  • 不等同于数学上的反卷积操作

52. Sequence model

52.1 Sequence data

  • 序列数据（Sequential Data）或时间序列数据（Time Series Data）是在时间顺序上收集的数据点序列。这些数据点通常是按照相等的间隔（例如，每天、每小时、每分钟等）收集的，但也可能是不规则间隔的。序列数据在许多领域都很常见，包括金融、气象、医疗、物理等。

52.1.1 Characteristics of sequence data

  1. 时间依赖性：序列数据中的每个数据点都与其在时间序列中的位置有关。因此，数据的顺序和它们之间的时间间隔是重要的。
  2. 趋势和周期性：序列数据可能包含长期趋势（例如，增长或下降）、季节性模式（例如，每年的周期性变化）或周期性波动（例如，每周的周期性变化）。
  3. 自相关性：序列数据中的连续观测值之间可能存在依赖关系。也就是说，一个观测值可能与它之前的观测值有关。

52.1.2 Analysis of sequence data

  • 序列数据分析的目标是提取数据中隐藏的信息，例如趋势、季节性模式、周期性波动、异常值等。这可以通过多种方法来实现，包括：
  1. 可视化：通过图表（如折线图、柱状图、箱线图等）来直观地展示序列数据。
  2. 统计方法：使用统计测试（如相关性分析、回归分析、方差分析等）来量化数据中的关系。
  3. 时间序列分析：使用专门的时间序列模型（如ARIMA模型、SARIMA模型、指数平滑法等）来预测未来的值或解释过去的行为。
  4. 机器学习：使用机器学习算法（如循环神经网络RNN、长短时记忆网络LSTM等）来处理和分析复杂的序列数据。

52.1.3 Application of sequence data

序列数据在许多实际应用中都很重要，例如：

  1. 金融：股票价格、汇率、债券收益率等金融数据通常是序列数据，可以用于预测未来的市场走势或进行风险管理。
  2. 气象：温度、降雨量、风速等气象数据是序列数据，可以用于预测天气模式或气候变化。
  3. 医疗：患者的生命体征（如心率、血压、体温等）是序列数据，可以用于监测健康状况或预测疾病进程。
  4. 物理：地震活动、太阳辐射、海洋温度等物理现象产生的数据也是序列数据，可以用于理解自然规律和预测潜在风险。

实际中很多数据是有时序的

  • 电影的评价随时间变化而变化

  • 音乐、文本、语言和视频都是连续的

  • 预测明天的股价要比填补昨天遗失的股价更困难

52.1.4 Statistical tools

  • 统计工具在机器学习中扮演着至关重要的角色，它们帮助数据科学家和机器学习工程师处理、分析和解释数据，以构建和优化模型。

在这里插入图片描述

  1. 描述性统计工具：

    • 这类工具用于描述数据集的基本特征，如集中趋势（平均值、中位数、众数）、离散程度（方差、标准差）、分布形状（偏度、峰度）等。
    • 例如，在机器学习的数据预处理阶段，描述性统计工具可以帮助我们了解数据的整体情况，发现数据中的异常值或缺失值，并进行相应的处理。

  2. 假设检验工具：

    • 假设检验是统计学中的一种重要方法，用于判断样本数据是否支持关于总体参数的某个假设。
    • 在机器学习中，假设检验工具可以帮助我们评估模型的性能是否显著优于某个基准模型，或者判断某个特征是否对模型性能有显著影响。

  3. 相关性分析工具：

    • 相关性分析用于研究两个或多个变量之间的关系强度和方向。
    • 在机器学习中，相关性分析工具可以帮助我们理解特征之间的相关性，避免在模型中包含高度相关的特征，从而提高模型的泛化能力。

  4. 特征选择工具：

    • 特征选择是机器学习中的一个重要步骤，旨在从原始特征集中选择出与目标变量最相关的特征子集。
    • 统计工具如卡方检验、信息增益、互信息等可以帮助我们评估特征与目标变量之间的相关性，从而进行特征选择。

  5. 模型评估工具：

    • 模型评估是机器学习中的一个关键步骤，用于评估模型的性能并选择合适的模型。
    • 统计工具如混淆矩阵、准确率、召回率、F1分数、AUC-ROC曲线等可以帮助我们全面评估模型的性能。

  6. 机器学习库和框架：

    • 许多机器学习库和框架都内置了丰富的统计工具，如Scikit-Learn、TensorFlow、PyTorch等。
    • 这些库和框架提供了各种统计函数和算法，方便用户进行数据处理、特征工程、模型训练和评估等任务。

52.1.5 Sequence model introduce

在这里插入图片描述

  • 对条件概率建模

在这里插入图片描述

52.2 Option A: Markov Hypothesis

在这里插入图片描述

  • 假设当前数据只跟τ个过去数据点相关

在这里插入图片描述

52.3 Option B: latent variable model

在这里插入图片描述

潜变量模型 是一种用于解释和预测观察变量（即可以直接测量的变量）之间关系的统计方法。它基于的假设是，存在一些不能直接观察但可以通过其他观察变量推断出来的变量（即潜变量）。

  1. 潜变量的定义：

    • 潜变量是那些不能直接观测，但可以通过数学模型和观察到的其他变量进行推断的变量。
    • 潜变量模型旨在通过潜在变量来解释观察变量之间的关系。

  2. 潜变量模型的结构：

    • 潜变量模型通常包含两部分：潜变量（通常表示为h_t）和观察变量（通常表示为x_t）。
    • 在模型中，潜变量h_t用于表示过去的信息，它是基于之前的观察变量x_1, …, x_{t-1}的函数，即h_t = f(x_1, …, x_{t-1})。
    • 观察变量x_t则与潜变量h_t有关，即x_t = p(x_t | h_t)，其中p表示条件概率。

  3. 潜变量模型的应用：

    • 潜变量模型在多个领域都有应用，包括心理学、经济学和机器学习等。
    • 在心理学中，潜变量可能代表某种心理状态或特质，如“五大人格特质”。
    • 在经济学中，潜变量可能代表生活质量、商业信心等无法直接衡量的变量。

  4. 潜变量的类型：

    • 潜变量可分为内生潜变量和外生潜变量。
      • 外生潜变量是在模型中不受其他变量影响但影响其他变量的变量。
      • 内生潜变量是在模型中总会受到一个其他变量影响的变量。

  5. 潜变量模型的推断方法：

    • 推断潜变量的常用方法包括隐马尔可夫模型、因子分析、主成分分析、偏最小二乘回归等。
    • 贝叶斯统计方法也常用于推断潜变量。

  6. 潜变量模型的分类：

    • 根据潜变量的类型，潜变量模型可分为离散型潜变量模型和连续型潜变量模型。

潜变量模型是一种强大的统计工具，它允许我们通过不可直接观测的变量来理解和预测可观测变量之间的关系。这种模型在多个领域都有广泛的应用，并且有多种不同的推断和建模方法。

在这里插入图片描述

总结

  • 时序模型中，当前数据跟之前观察到的数据相关
  • 自回归模型使用自身过去数据来预测未来
  • 马尔科夫模型假设当前只跟最近少数数据相关，从而简化模型
  • 潜变量模型使用潜变量来概括历史信息

潜变量模型和隐马尔科夫模型有什么区别？

没有太多联系，两个不同的观点，但是潜变量模型可以使用隐马尔科夫假设。潜变量-怎么建模，隐马尔科夫-这个数据和之前多少个数据有关。

53. Fully convolutional

最低0.47元/天 解锁文章

200万优质内容无限畅学
Dive into Deep Learning
03-20
deep learning has taken the world by surprise, driving rapid progress in fields as diverse as computer vision, natural language processing, automatic speech recognition, reinforcement learning, and statistical modeling. With these advances in hand, we can now build cars that drive themselves (with increasing autonomy), smart reply systems that anticipate mundane replies, helping people dig out from mountains of email, and software agents that dominate the world’s best humans at board games like Go, a feat once deemed to be decades away. Already, these tools are exerting a widening impact, changing the way movies are made, diseases are diagnosed, and playing a growing role in basic sciences – from astrophysics to biology. This book represents our attempt to make deep learning approachable, teaching you both the concepts, the context, and the code.
Dive-into-DL-TensorFlow2.0：本项目将《动手学深度学习》（Dive into Deep Learning）原书中的MXNet实现替代TensorFlow 2.0实现，项目已获得李沐老师的认可
02-03
将原书中MXNet代码实现转换TensorFlow2实现。通过的导师咨询李沐老师，这个项目的实施已得到李沐老师的同意。原书作者：阿斯顿·张，李沐，扎卡里C.立顿，亚历山大J.斯莫拉以及其他社区贡献者，GitHub地址： : ...
Dive_into_Deep_Learning
lukaijie‘s BLOG
10-21 1533
1.前言 1.2.关键组件 我们可以学习的数据（data）。 如何转换数据的模型（model）。 一个目标函数（objective function），用来量化模型的有效性。 调整模型参数以优化目标函数的算法 2.预备知识 2.1.数据操作 2.1.1.入门 张量：n维数组； 无论使用哪个深度学习框架，它的张量类都与Numpy的ndarray类似，但又比Numpy的ndarray多一些重要功能： 首先，GPU很好地支持加速计算，而NumPy仅支持CPU计算；其次，张量类支持自动微分。这些功能使得张量
Smola Alexander and others - Dive into Deep Learning - 2024
01-02
《深入理解深度学习》是由Smola Alexander等作者所著，预计于2024年出版的深度学习领域的重要著作。本书是深度学习领域的进阶教材，旨在帮助读者理解深度学习的核心概念，并掌握相关的数学知识和编程技能。...
Dive into deep learning task 05- 卷积神经网络基础；leNet；卷积神经网络进阶
01-06
3.卷积神经网络基础 卷积其实是一种信号过滤器，实际上做的二维互相关运算。以前理解 的是卷积运算，现在才发现这就是互相关运行，说白了就是用卷积核遍历输入的数组。 池化是一种降维操作。 互相关运算和卷积运算...
dive into deep learning 循环神经网络 RNN 部分 学习
weixin_43823175的博客
02-25 1569
dive into deep learning 循环神经网络 RNN 部分 学习 到目前为止，我们遇到过两种类型的数据：表格数据和图像数据。 对于图像数据，我们设计了专门的卷积神经网络架构来为这类特殊的数据结构建模。 换句话说，如果我们拥有一张图像，我们需要有效地利用其像素位置， 假若我们对图像中的像素位置进行重排，就会对图像中内容的推断造成极大的困难。 最重要的是，到目前为止我们默认数据都来自于某种分布， 并且所有样本都是独立同分布的 （independently and identically dist
dive into deep learning深度学习计算部分即卷积神经网络部分
weixin_43823175的博客
03-18 1273
dive into deep learning 5. 深度学习计算 除了庞大的数据集和强大的硬件， 优秀的软件工具在深度学习的快速发展中发挥了不可或缺的作用。 从2007年发布的开创性的Theano库开始， 灵活的开源工具使研究人员能够快速开发模型原型， 避免了我们使用标准组件时的重复工作， 同时仍然保持了我们进行底层修改的能力。 随着时间的推移，深度学习库已经演变成提供越来越粗糙的抽象。 就像半导体设计师从指定晶体管到逻辑电路再到编写代码一样， 神经网络研究人员已经从考虑单个人工神经元的行为转变为从层的角
Dive into Deep Learning A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola
03-07
这本书是 最新 2019年 UC Berkeley 春季 深度学习课程教材，另外可以在 github 上找到相应的配套代码。对于深度学习的入门和进阶都大有裨益。
动手学深度学习 (Dive into Deep Learning)
程永强
06-07 9689
动手学深度学习 (Dive into Deep Learning)
DIVE INTO DEEP LEARNING(学习笔记1）
最新发布
W50FF的博客
07-15 539
的输入， 并且这些状态只能通过先前时间步的数据来计算。
学习Dive into Deep learning：2.1数据操作，张量（tensor）
Ankie资深技术项目经理
03-27 1009
首先，我们介绍张量使用过Python中NumPy计算包的读者会对本部分很熟悉。无论使用哪个深度学习框架，它的张量类（在MXNet中为ndarray， 在PyTorch和TensorFlow中为Tensor）都与Numpy的ndarray类似。但深度学习框架又比Numpy的ndarray多一些重要功能： 首先，GPU很好地支持加速计算，而NumPy仅支持CPU计算；其次，张量类支持自动微分。这些功能使得张量类更适合深度学习。如果没有特殊说明，本书中所说的张量均指的是张量类的实例。
翻译: 深入神经网络概览Dive into Deep Learning
AI架构师易筋
03-07 3615
1. 简介 直到最近，我们每天与之交互的几乎所有计算机程序都是由软件开发人员根据第一原理编码的。假设我们想编写一个应用程序来管理一个电子商务平台。在围着白板花了几个小时思考这个问题之后，我们会想出一个可行的解决方案的大致思路，可能看起来像这样： (i) 用户通过在 Web 浏览器中运行的界面与应用程序交互或移动应用程序； (ii) 我们的应用程序与商业级数据库引擎交互，以跟踪每个用户的状态并维护历史交易记录； (iii) 在我们应用程序的核心，业务逻辑（你可能会说，大脑) 我们的应用程序有条不紊地详细说明
Dive into Deep Learning-优化算法(1)
weixin_44994838的博客
05-08 866
也就是对应一个矩阵的乘方进行特征值分解，只需要将特征值进行同样的n次方即可，此时n需要时正数；，可以看到对矩阵的逆进行特征值分解，直接对特征值求逆即可；矩阵的行列式等于矩阵的特征值的乘积。iii. 延续上面的例子，特征向量组成的矩阵。矩阵的秩等于非0特征值的个数；是可逆的，所以等式两边同乘。i. 特征值和特征向量，对应的两个特征向量是。
PyTorch版本《动手学深度学习》(Dive into Deep Learning)
qq_35740095的博客
02-14 1115
之前写的-线性回归基础https://blog.csdn.net/qq_35740095/article/details/88066655 Github–PyTorch版本《动手学深度学习》(Dive into Deep Learning) 【《动手学深度学习》参考资料】： https://shimo.im/mindmaps/jkhHr3pCkCYwWWgR ...
Dive Into DeepLearning笔记第五章DeepLearning Computation
热衷开源的Boy
01-22 186
https://d2l.ai/chapter_deep-learning-computation/model-construction.html 5.1. Layers and Blocks 神经网络层和模块 由多个神经网络层组成的模块 总结 网络层可以是模块 多个网络层可以组成一个模块 多个模块可以组成一个模块 5.2参数管理 https://d2l.ai/chapter_deep-learning-computation/parameters.html 5.2.1 接收参数 5.2.2 参数初始化
深入解析 Dive into Deep Learning:一本革命性的交互式深度学习教材
2401_87458778的博客
10-09 789
Dive into Deep Learning不仅仅是一本教材,它代表了一种全新的学习方式。通过将理论、代码和实践紧密结合,D2L为学习者打开了一扇通往深度学习世界的大门。无论你是初学者还是有经验的从业者,D2L都能为你提供宝贵的知识和洞见。在人工智能日益重要的今天,掌握深度学习技能变得前所未有的重要。让我们一起潜入深度学习的海洋,探索这个充满无限可能的领域吧!
深入学习Jupyter Notebook的Dive-into-Deep-Learning
在提供的文件信息中，我们可以提炼出一个核心主题：“深入学习”，并且这个主题与“Jupyter Notebook”以及特定的压缩包子文件“Dive-into-Deep-Learning-master”紧密相关。接下来，我将从这些信息点深入探讨相关的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值