第一章
为什么使用深度学习模式识别?
深入学习是用于开发模型,可以发现数据中的模式;然而,这并不是唯一的方法这样做的能力。本章探讨的一些原因你可能选择深度学习在另一种方法。
一旦训练模型,无标号数据和模型可以将应用最可能的标签信息的基础上训练时学到的。
很多方式学习方法的好处是,他们所使用的逻辑往往是更容易理解和更小的相对简单的数据。当你训练一个神经网络深处,解释了为什么它是困难的,和网络需要更多的质量标签数据进行训练。考虑到这一点,为什么会有人选择深度学习在不同的方法?原因之一是,深度学习非常适合寻找真正复杂的模式在大型解决方案空间。
例如,您可能想要找到和标签特定对象在一个图像对象跟踪和定位或您可能希望视觉检查硬件缺陷和物质损失
在这些例子中,模式是特定像素的组合表示行人或凿混凝土。这些复杂的模式可以从实例完全不同的实例,或者他们可能会以微妙的方式不同,从其他模式都几乎无法分辨。因此,您所选择的算法,不仅需要将这些复杂的模式,但这样做在一个大范围的解决方案。
复杂的模式也存在于非图像数据。在音频信号,您可能需要认识到口语词汇或从具有识别歌曲片段。
也有复杂的模式在时间序列信号的预见性维护应用程序和生物医药产业。
使用深度学习时间序列预测
预测时间序列数据使用一个长的短期记忆(LSTM)网络。
使用长短期记忆网络的ECG信号进行分类
分类心跳心电图(ECG)数据从生理网2017年挑战使用深度学习和信号处理。
时间序列分类使用小波分析和深度学习
人类心电图(ECG)信号进行分类使用连续小波变换(CWT)和深卷积神经网络。
在所有这些情况下,解决方案存在的复杂性和范围可以很难想出基于规则的方法,人类必须工艺和牧师自己的逻辑。这就是深度学习可能是一个更好的方法。
注意:电子书关注的例子分类,一个离散的标签是应用于数据。然而,回归,模型的输出是一个连续的值,而不是一个离散的标签,也可能与深度学习。看到如何训练卷积神经网络(CNN)的回归。
深度学习使用深层神经网络模型的输入数据和输出的关系分类。神经网络的详细信息都超出了本章的范围;然而,在一个简单的方法你可以把网络看作一系列的层,每个执行特定操作的数据。早期层倾向于寻找较小的特性,存在于更大的模式,然后层看看这些功能的组合来确定最可能的标签的数据。
如果你知道所有的定义特征
你可能会开始寻找一个简单的基于规则的方法这个问题。一个解决方案是使用一个已知的击掌概要文件,你可以要求对传入的连续流加速度测量的传感器。例如,一个函数可以看看两个信号之间的标准差,可以声称有一个高5当偏差低于某个阈值。
然而,这种方法的困难是每个高5是不一样的。有些人可能会把他们的手快慢,暂停之前大耳光,或者只是高一分之五奇怪的方式。即使你可以想出一个代表的形象,或一组配置文件,这样的一种方法可能不是健壮击掌动作,还没有见过的。加上,如果添加太多的资料或提高标准差阈值以确保捕获每一击掌,你不当运动高5的风险。
更聪明的方法可能会意识到,而不是作为一个整体的模式,它可以有野生的变化,你可以找到一组较小的特性,每个高5都有共同之处。
你可以宣称的任意组合慢,慢-快加速度是一个高5、即使你观察一个新的高5,你没有明确收集数据。例如,这些击掌看起来不同,但他们表现出同样的缓慢-慢-快加速功能。
通过寻找较小的特性和看到当他们出现在顺序,你可以设计一个基于规则的分类器比简单的full-pattern匹配算法。
这种基于规则的分类器的困难是,你需要非常熟悉的模式你正在寻找为了保证你正确定义分类所需的最佳特性。你还需要有信心处理所有变化,这样你没有无意偏向你的算法对短的人,害羞的人,其他文化,等等。这可以耗费时间甚至不可能做手工很复杂的模式。
如果你不知道所有的定义特征
深度学习可以帮助解决这个问题。模式的特征,甚至不直观的特性,自动学习没有一个设计师必须显式地定义它们。所以,如果你想把复杂的数据中的模式和你无法定义的所有规定,区分别人的模式,探索深度学习可能是一个不错的选择。
记住,深度学习都有自己的要求。你需要很多质量带安全标签的数据时,你需要正确的网络体系结构,你需要确保网络可以部署到目标处理器和执行的时间分配。接下来的章节的电子书解决这些需求。
