谷歌教你學 AI-第六講深度神經網絡

Google Cloud發布了名為"AI Adventures"的系列視頻，用簡單易懂的語言讓初學者了解機器學習的方方面面。今天讓我們來看到第六講深度神經網絡。

觀看更多國外公開課，點擊"閱讀原文"

回顧之前內容：

谷歌教你學 AI -第一講機器學習是什么?

谷歌教你學 AI -第二講機器學習的7個步驟

谷歌教你學 AI -第三講簡單易懂的估算器

谷歌教你學 AI -第四講部署預測模型

谷歌教你學 AI -第五講模型可視化

本期視頻如下：

AI Adventures--第六講深度神經網絡

針對不方便打開視頻的小伙伴，CDA字幕組也貼心的整理了文字版本，如下：

在本期的AI Adventures中，我們將學習如何將線性模型轉換為深度神經網絡，從而訓練越來越復雜的數據集。

隨著線性模型中特征列的數量增加，在訓練實現高正確率變得越來越難，因為不同列之間的交互越來越復雜。 這是一個已眾所周知的問題，對于數據科學家來說，特別有效的解決方案是使用深度神經網絡。

為什么要用深度神經網絡

深度神經網絡能夠適應更復雜的數據集，更好地推廣到新數據中。由于有許多層，因此被稱為”深”。 這些層能讓它們比線性模型，更能適應復雜的數據集。

然而值得權衡的是，若用到深度神經網絡，模型則需要更長的訓練時間，規模也更大，解釋性更低。 那么為什么要用呢？

因為這會帶來更高的正確性。

深度學習一個棘手的方面是:要讓所有參數“恰到好處”。

根據數據集，這些配置看幾乎是無限制的。 但是，TensorFlow內置的Deep Classifier和Regressor提供了一些合理的默認值，你可以立即開始使用，從而快速輕松地進行操作。

從線性到深度

我們來看一個例子，如何將鳶尾花的例子從線性模型更新到深度神經網絡(通?？s寫為DNN)。

我不打算展示DNN處理的2000列模型…因此我只打算使用我們之前用到的4列模型。當中的機制都是一樣的。

主要的變化來自于用DNN分類器替換線性分類器。 這將為我們創建一個深度神經網絡。

其他變化

其他的內容幾乎都保持不變!深度神經網絡還需要一個額外的參數，這是之前我們沒有涉及的。

由于深層神經網絡有多個層，每層有不同數量的節點，我們將添加一個`hidden_units`參數。

`hidden_units`能夠讓你為每個圖層提供有具有節點數量的數組。這能讓你在創建神經網絡時，只需考慮它的大小和形狀，而不是從頭考慮方方面面。添加或刪除層就像在數組中添加或刪除元素一樣簡單！

更多的選擇

當然，對于任何預先構建的系統，這確實很方便，但是往往缺乏可定制性。 DNN分類器通過讓你選擇許多其他參數來解決這個問題。有些合理的默認值會被使用 。 例如，優化器，激活函數和退出率都等都可以自定義。

將模型從線性轉換為深度，還需要做些什么？

沒了！

這就是使用估算器框架的美妙之處。這是整理數據、訓練、評估和模型導出的一種常見方式，同時還可以靈活地嘗試不同的模型和參數。

深度神經網絡，讓問題更簡單

有時，深度神經網絡效果要優于線性模型。在這種情況下，通過使用估算器框架替換一個函數，TensorFlow可以輕松地從線性模型切換到深度模型，而只需要更改少數的代碼。 

這意味著你能夠用更多的時間來處理數據、模型和參數，而不是反復進行訓練循環。對于簡單的深度神經網絡問題，快使用TensorFlow估算器吧！

下期預告

當訓練數據太大，我們的機器無法承載；或者訓練模型需要好幾個小時，那么是時候考慮其他的選擇了。下一期我們將降到在云端訓練大數據模型。