掌握这十大机器学习方法，你就是圈子里最靓的崽

跟上深度学习发展的步伐尤为困难，部分原因在于研究和工业方面投入了大量精力来研究深度学习，使得不断有新方法涌现出来。

深度学习：具有多个隐藏层的神经网络

为达到最佳效果，深度学习技术需要大量的数据，同时也需要强大的计算能力作为支撑，因为该方法是在大型体系架构中对许多参数进行自我调整。鉴于此，就不难理解为什么深度学习从业者要用配备强大图形处理单元(GPU)功能的计算机了。

深度学习技术在视觉(图像分类)、文本、音频和视频领域的应用最为成功。最常见的深度学习软件包有Tensorflow和PyTorch。

7. 迁移学习

假设你是个零售业的数据科学家，已经花了几个月的时间训练高质量模型，用来将图像分为衬衫、T恤和Polo衫这三类。新任务是建一个类似的模型，把服装图像分为牛仔裤、工装裤、休闲裤和正装裤这几类。那么能不能把第一个模型中已建立的知识转移到第二个模型中呢?当然可以，迁移学习可以做到。

迁移学习是指重复使用先前训练的神经网络的一部分，并使其适应类似的新任务。具体来说就是，使用先前任务中训练过的神经网络，可以传输一小部分训练过的图层，并将它们与用于新任务数据训练的几个图层组合在一起。通过添加图层，新的神经网络就能快速学习并适应新的任务。

迁移学习的主要优点是训练神经网络所需的数据较少，这点尤为重要，因为深度学习算法的训练既耗时，(计算资源上)花费又高。而且，通常也很难找到足够的标记数据来供培训使用。

还是回到上文的例子，假设衬衫模型中，你用了一个有20个隐藏层的神经网络，几次尝试后，发现可以迁移其中的18个衬衫模型层，并能把它们与用来训练裤子图像的某个新的参数层相结合。此时，裤子模型将有19个隐藏层。这两个任务的输入和输出不同，但一些概括与两者都有关的信息如布料、衣服上扣件和形状等方面的参数层可重复使用。

迁移学习正变得越来越流行，现在已经有很多固定的预训练的模型，可以用来完成一些常见的像图像和文本分类的深度学习任务。

8. 强化学习

试想，迷宫中有只老鼠，在试图寻找藏在某处的奶酪。老鼠进迷宫的次数越多，它就越有可能找到奶酪。一开始，老鼠可能会随机走动，但一段时间后，它就能意识到怎样走可以找到奶酪。

（编辑：宿州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!