阅读量:0
在介绍深度神经网络之前，我们需要了解神经网络训练的基础知识。本章我们将介绍神经网络的整个训练过程，包括：定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。为了更容易学习，我们将从经典算法————线性神经网络开始，介绍神经网络的基础知识。经典统计学习技术中的线性回归和softmax回归可以视为线性神经网络，这些知识将为未来其他部分中更复杂的技术奠定基础。
线性回归
回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。在机器学习领域中的大多数任务通常都与预测（prediction）有关。当我们想预测一个数值时，就会涉及到回归问题。常见的例子包括：预测价格（房屋、股票等）、预测住院时间（针对住院病人等）、预测需求（零售销量等）。但不是所有的预测都是回归问题。在后面的章节中，我们将介绍分类问题。分类问题的目标是预测数据属于一组类别中的哪一个。线性回归的基本元素
为了解释线性回归，我们举一个实际的例子：我们希望根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）。为了开发一个能预测房价的模型，我们需要收集一个真实的数据集。这个数据集包括了房屋的销售价格、面积和房龄。在机器学习的术语中，该数据集称为训练数据集（training data set）或训练集（training set）。每行数据（比如一次房屋交易相对应的数据）称为样本（sample），也可以称为数据点（data point）或数据样本（data instance）。我们把试图预测的目标（比如预测房屋价格）称为标签（label）或目标（target）。预测所依据的自变量（面积和房龄）称为特征（feature）或协变量（covariate）。通常，我们使用n来表示数据集中的样本数。对索引为i的样本，其输入表示为x (i) = [x ( 1 i) , x ( 2 i) ] ⊤，其对应的标签是y (i)。线性模型
在这里我们引用李沐老师的一篇文章作为讲解。
线性假设是指目标（房屋价格）可以表示为特征（面积和房龄）的加权和，如下面的式子：price=warea·area+wage·age+b.中的warea和wage称为权重（weight），权重决定了每个特征对我们预测值的影响。b称为偏置（bias）偏移量（ofset）或截距（intercept）。偏置是指当所有特征都取值为0时，预测值应该为多少。即使现实中不会有任何房子的面积是0或房龄正好是0年，我们仍然需要偏置项。如果没有偏置项，我们模型的表达能力将受到限制。严格来说，(3.1.1)是输入特征的一仿射变换（afnetransformation）。仿射变换的特点是通过加权和对特征进行线性变换（lineartransformation），并通过偏置项来进行平移（translation）。 给定一个数据集，我们的标是寻找模型的权重w和偏置b，使得根据模型做出的预测大体符合数据里的真实价格。输出的预测值由输入特征通过线性模型的仿射变换决定，仿射变换由所选权重和偏置确定。而在机器学习领域，我们通常使用的是高维数据集，建模时采用线性代数表示法会比较方便。当我们的输入包含d个特征时，我们将预测结果yˆ（通常使用“尖角”符号表示y的估计值）表示为：yˆ=w1x1+...+wdxd+b. (3.1.2) 将所有特征放到向量x ∈ R d中，并将所有权重放到向量w ∈ R d中，我们可以用点积形式来简洁地表达模型： yˆ = w ⊤x + b. (3.1.3) 在 (3.1.3)中，向量x对应于单个数据样本的特征。用符号表示的矩阵X ∈ R n×d 可以很方便地引用我们整个数据集的n个样本。其中，X的每一行是一个样本，每一列是一种特征。 对于特征集合X，预测值ˆy ∈ R n 可以通过矩阵‐向量乘法表示为： ˆy = Xw + b (3.1.4) 这个过程中的求和将使用广播机制（广播机制在 2.1.3节中有详细介绍）。给定训练数据特征X和对应的已知 标签y，线性回归的目标是找到一组权重向量w和偏置b：当给定从X的同分布中取样的新样本特征时，这组权重向量和偏置能够使得新样本预测标签的误差尽可能小。 虽然我们相信给定x预测y的最佳模型会是线性的，但我们很难找到一个有n个样本的真实数据集，其中对于所有的1 ≤ i ≤ n，y (i)完全等于w⊤x (i) + b。无论我们使用什么手段来观察特征X和标签y，都可能会出现少量的观测误差。因此，即使确信特征与标签的潜在关系是线性的，我们也会加入一个噪声项来考虑观测误差带来的影响。在开始寻找最好的模型参数（model parameters）w和b之前，我们还需要两个东西：（1）一种模型质量的度量方式。（2）一种能够更新模型以提高模型预测质量的方法。