优达学城深度学习之三（下）——卷积神经网络 _神经网络

最是人间留不住，朱颜辞镜花辞树。这篇文章主要讲述优达学城深度学习之三（下）——卷积神经网络相关的知识，希望能为你提供帮助。
一、One—Hot编码
计算机在表示多结果的分类时，使用One-Hot编码是比较常见的处理方式。即每个对象都有对应的列。

文章图片

二、最大似然率
下面是两幅图像，比较两幅图像，试通过概率的方法来讨论一下为什么右边的模型会更好。

文章图片

假设第一幅图像的每个点是对应颜色的概率为下图：

文章图片

如果假设点的颜色是相互独立的，则整个图表的概率为相互乘积：0.6*0.1*0.7*0.2=0.0084，低于1%
第二个图概率如下图所示：

文章图片

则整个图表的概率为相互乘积：0.6*0.8*0.9*0.7=0.3024约等于30%。由此可知，右边的模型更靠谱。

文章图片

如果我们可以通过一种方式最大化这个概率，则这种方法叫最大似然法。
三、最大化概率
3.1交叉熵1：损失函数

文章图片

对他们每个点的概率进行对数运算，然把他们的相反数进行求和，我们称之为交叉熵。好的模型交叉熵比较低，坏的模型交叉熵会比较高。如下图的两个模型。

文章图片

【优达学城深度学习之三（下）——卷积神经网络】我们遇到了某种规律，概率和误差函数之间肯定有一定的联系，这种联系叫做交叉熵。这个概念在很多领域都非常流行，包括机器学习领域。下图表示三个门后面有礼物的概率，分别为0.8、0.7、0.1，当后面有礼物时，yi=1，所以交叉熵如下图所示：

文章图片

代码实现：

import numpy as np# Write a function that takes as input two lists Y, P, # and returns the float corresponding to their cross-entropy. def cross_entropy(Y, P): Y=np.float_(Y) P=np.float_(P) return -np.sum(Y * np.log(P) + (1 - Y) * np.log(1 - P))

四、多类别交叉熵
由单个类推出多种类别，假设每个门后面有三种不同的生物，概率不一样，则每种动物的概率和交叉熵如下图所示：

文章图片

文章图片

则 Cross-Entropy = ∑ ∑ [ yij ln(Pij) ] ( i = 1, 2, 3 ... n ) ( j = 1, 2, 3 ...m ) = ∑ [ y1j ln(P1j) + y2j ln(P2j) + ..... yij ln(Pij) ] 且 ( P1j + P2j + P3j + ......Pij = 1 )
五、logistic回归
现在，我们终于要讲解机器学习中最热门和最有用的算法之一，它也是所有机器学习的基石——对数几率回归算法。基本上是这样的：