• <output id="zhzz3"></output>

      1. <output id="zhzz3"><bdo id="zhzz3"><td id="zhzz3"></td></bdo></output>
              Renaissance
              Era
              詳細內容
              Detail



              1. 技術架構:底層基于Python,集成RestData(時代復興數據服務)。

              2. 數據庫:MongoDB熱數據存儲、MySQL存儲一般數據、文本型數據庫存儲14T大數據。

              3. 開發環境:支持Python和R開發。

              4. 負載均衡:通過分布式技術架構實現多機協同,按需提供計算資源,彈性計算性能調度。

              5. 參數優化:高性能參數回測優化系統,支持多機并行


              一、深度學習架構

              深度學習是機器學習研究中的一個新的領域,深度學習的概念源于人工神經網絡的研究,含多隱層的多層感知器就是一種深度學習結構。其動機在于建立、模擬人腦進行分析學習的神經網絡,它模仿人腦的機制來解釋和分析數據,例如,人的視覺系統的信息處理是分級的。從低級的V1區提取邊緣特征,再到V2區的形狀或者目標的部分等,再到更高層,整個目標、目標的行為等。

               


               

              在神經網絡中,每一層神經元學習到的是前一層神經元值的更抽象的表示。神經網絡由包括輸入層、隱層(多層)、輸出層組成的多層網絡,只有相鄰層節點之間有連接,同一層以及跨層節點之間相互無連接;這種分層結構,是比較接近人類大腦的結構的。第一個隱藏層學習到的是“邊緣”的特征,第二個隱藏層學習到的是由“邊緣”組成的“形狀”的特征,第三個隱藏層學習到的是由“形狀”組成的“圖案”的特征,最后的隱藏層學習到的是由“圖案”組成的“目標”的特征。總之,深度學習的實質就是通過組合低層特征形成更加抽象的高層表示屬性類別或特征,以發現數據的二分布式特征表示。

               

              二、深度學習模型

              我們利用自動編碼器模型(AutoEncoder)對多因子進行特征提取。自動編碼器就是一種盡可能復現輸入信號的神經網絡。為了實現這種復現,自動編碼器就必須捕捉可以代表輸入數據的最重要的因素,就像主成分分析那樣,找到可以代表原信息的主要成分。

              步驟1、給定無標簽數據,用非監督學習學習特征:

              我們將input輸入一個encoder編碼器,就會得到一個code,這個code也就是輸入的一個表示。我們加一個decoder解碼器,這時候decoder就會輸出一個重構信息,那么如果輸出的這個信息和一開始的輸入信號input是很像的,我們就相信這個code是原始信息的良好表達。因為是無標簽數據,所以誤差的來源就是直接重構后與原輸入相比得到,通過調整encoder和decoder的參數,使得重構誤差最小 。整個流程如下圖所示。


               


               

              步驟2、逐層訓練——構建多層自動編碼器,通過編碼器產生特征,然后訓練下一層:

                 我們將上面第一層抽象得到的code,當成第二層的輸入信號,同樣最小化重構誤差,就會得到第二層的參數,并且得到第二層的code,也就是原輸入信息的第二個表達。其他層如法炮制,訓練這一層時,前面層的參數都是固定的,并且他們的decoder已經沒用了,可以略去。下面是一個三層自動編碼器的例子:

              按照上面的方法,我們可以得到很多層自動編碼器。至于需要多少層,本身就沒有一個科學的評價方法,需要自己試驗。

               

              步驟3、最后一層加入有監督分類器:

                  到這里,這個AutoEncoder還不能用來分類數據。它只是學習獲得了一個可以良好代表輸入的特征,這個特征可以最大程度上代表原輸入信號。那么,為了實現分類,我們就可以在AutoEncoder的最頂的編碼層添加一個分類器(例如Softmax、SVM等),然后通過標準的多層神經網絡的監督訓練方法(梯度下降法)去訓練。

                如下圖所示,我們需要將最后層的特征code輸入到最后的分類器,通過有標簽樣本,通過監督學習進行微調,調整分類器(黑色部分)。一旦監督訓練完成,這個網絡就可以用來分類了。神經網絡的最頂層可以作為一個線性分類器,然后我們可以用一個更好性能的分類器去取代它。


              上一篇:沒有了

              下一篇:沒有了

              所屬類別: 深度學習系統

              該資訊的關鍵詞為:

              扒下她的乳罩和内裤亲吻视频