人工智能通识课件 第4章 深度学习的应用（4.1深度学习的基础）

选用《信息技术课程标准（2021年版）》新型活页式教材我们毕业啦其实是答辩的标题地方4.1机器学习的基础和入门第4章深度学习的应用深度学习、神经网络、深度学习框架

教学重点：1.深度学习和神经网络的基本概念。2.深度学习框架的基本构成和常用框架。课前答题1。。。。。2。。。。。3。。。。。4。。。。。

教学重点：神经网络的工作原理和深度学习框架的应用。课前答题1。。。。。2。。。。。3。。。。。4。。。。。深度学习在智能医疗（如精准医疗）深度学习在环保（如垃圾分类）深度学习深度学习是机器学习领域中的一个重要分支，它基于人工神经网络的概念，通过构建具有多层处理结构的模型，来模拟人脑的学习机制。这些多层神经网络能够从大量的数据中自动学习并提取特征，进而实现高效的分类、预测、识别等复杂任务。深度学习的特点（1）图像识别与分类（2）语音识别与自然语言处理（3）推荐系统（4）自动驾驶（5）医疗健康（6）金融领域（7）智能制造（8）游戏与娱乐神经网络神经网络是一种模拟人脑神经元连接方式的计算模型，它由多个节点（神经元）组成，这些节点通过连接（突触）进行信息传递。每个节点接收来自其他节点的输入信号，并通过加权求和与激活函数处理，产生输出信号。这些输出信号又可以作为其他节点的输入，从而形成复杂的网络结构。神经网络激活函数（ActivationFunction）是人工神经网络中的重要组成部分，它负责将神经元的输入映射到输出端，并引入非线性因素，使得神经网络能够学习和理解复杂的非线性函数。激活函数的作用引入非线性：激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，从而能够应用到众多的非线性模型中。映射输出：激活函数能够将输入数据映射到特定的输出范围，便于后续的处理和决策。激活函数的概念Sigmoid函数Sigmoid函数常用于输出层的二分类问题，可以将神经网络的输出解释为概率。此外，在特征相差比较复杂或是相差不是特别大时，Sigmoid函数也表现出较好的效果。常见激活函数及其应用ReLU函数ReLU函数（RectifiedLinearUnit）是一种简单而有效的激活函数，其数学形式为f(x)=max(0,x)。当输入大于零时，输出与输入相同；当输入小于零时，输出为零。ReLU函数在神经网络中广泛用于隐藏层的激活函数，能够加速训练过程，并避免Sigmoid函数和Tanh函数存在的梯度消失问题。ReLU函数计算简单，只需比较输入和零的大小即可，运算速度快。常见激活函数及其应用使用Python来绘制Sigmoid函数的曲线使用numpy来计算Sigmoid函数的值，并使用matplotlib来绘制曲线。首先，确保已经安装了numpy和matplotlib库。如果没有安装，可以使用以下命令进行安装：绘制Sigmoid函数的曲线运行这段代码后，会看到一个Sigmoid函数的曲线图，x轴范围从-10到10，y轴表示Sigmoid函数的值。这个曲线展示了Sigmoid函数如何将输入值映射到(0,1)区间内，并且当x值非常大或非常小时，输出值接近于0或1。绘制Sigmoid函数的曲线ReLU函数，全称RectifiedLinearUnit（线性整流函数），是深度学习和神经网络中常用的一种激活函数。其数学表达式为：f(x)=max(0,x)其中，x为输入值，f(x)为ReLU函数的输出值。这意味着，当输入值x大于等于0时，ReLU函数的输出为x本身；而当输入值x小于0时，ReLU函数的输出为0。绘制ReLU函数的曲线简单性：ReLU函数的定义非常直观，仅需比较输入值和0的大小即可确定输出值，因此计算效率高。非线性：虽然ReLU函数被称为线性整流函数，但实际上它是非线性的，能够引入非线性因素，增强模型的表达能力。激活稀疏性：ReLU函数在输入值小于0时输出为0，这意味着它可以激活稀疏性，即只激活输入中的一部分神经元，有助于增强模型的泛化能力和鲁棒性。梯度稳定性：ReLU函数在正区间上的梯度为常数1，在负区间上梯度为0，这避免了梯度消失问题，并且相比于sigmoid函数和双曲正切函数，ReLU函数更不容易导致梯度爆炸问题。生物合理性：ReLU函数的形式与生物神经元的激活方式较为接近，能够更好地建模生物神经系统的特性。绘制ReLU函数的曲线使用Python来绘制ReLU（RectifiedLinearUnit）函数的曲线。可以使用numpy来计算ReLU函数的值，并使用matplotlib来绘制曲线。首先，确保已经安装了numpy和matplotlib库。如果没有安装，可以使用以下命令进行安装：或者是

绘制ReLU函数的曲线绘制ReLU函数的曲线参考代码运行这段代码后，会看到一个ReLU函数的曲线图，x轴范围从-10到10，y轴表示ReLU函数的值。这个曲线展示了ReLU函数如何将输入值映射到输出值.当输入值x小于0时，输出值为0；当输入值x大于等于0时，输出值为x本身。绘制ReLU函数的曲线卷积神经网络（ConvolutionalNeuralNetwork,CNN）是深度学习领域中的一种专门用于处理数据具有网格拓扑（如图像、语音信号）的神经网络。卷积神经网络是一种特殊的神经网络，它通过卷积运算来提取输入数据的特征，并利用这些特征进行分类、识别等任务。卷积神经网络通常由卷积层、池化层、全连接层等组件构成。卷积神经网络（CNN）循环神经网络（RecurrentNeuralNetwork,RNN）是深度学习领域中专门用于处理序列数据（如时间序列、文本序列）的一种神经网络循环神经网络是一种特殊的神经网络，它具有循环连接，能够处理序列数据中的时间依赖性和顺序信息。与传统的前馈神经网络不同，循环神经网络在隐藏层之间建立了循环连接，使得网络能够捕捉序列数据中的动态变化。循环神经网络(RNN)深度学习的基本框架深度学习框架是构建和训练深度学习模型的基础工具，它们提供了丰富的功能和接口，使得开发者能够高效地实现和部署深度学习算法。深度学习的基本框架3.KerasKeras是一个高层神经网络API，它可以运行在TensorFlow、Theano和MicrosoftCognitiveToolkit（CNTK）等深度学习框架之上。Keras提供了简洁易用的接口，使得开发者能够快速地构建和训练深度学习模型。它支持各种常见的神经网络层、激活函数、优化器和损失函数等。4.MXNetMXNet是亚马逊开发的一个开源深度学习框架，它支持分布式和异构计算，能够在多种硬件上高效运行。MXNet提供了灵活的编程接口和丰富的功能，包括动态计算图、自动微分、模型并行化等。5.CaffeCaffe是一个由伯克利视觉和学习中心（BVLC）开发的开源深度学习框架，它专注于卷积神经网络（CNN）的实现。Caffe提供了高效的计算性能和易于使用的接口，使得开发者能够快速地构建和训练CNN模型。它虽然Caffe在近年来逐渐被其他更灵活的框架所取代，但它在计算机视觉领域仍然有一定的应用。深度学习的基本框架以下是一些流行的深度学习框架及其简要介绍：1.TensorFlowTensorFlow是谷歌开发的一个开源深度学习框架，它使用数据流图来表示计算过程。TensorFlow支持分布式计算，能够在多个CPU、GPU甚至TPU上并行运行。它提供了丰富的API，包括TensorBoard可视化工具、TensorFlowServing模型部署工具等。TensorFlow在学术界和工业界都有广泛的应用，特别是在自然语言处理和计算机视觉领域。2.PyTorchPyTorch是Facebook开发的一个开源深度学习框架，它提供了动态计算图的功能，允许开发者在运行时构建和修改计算图。PyTorch具有灵活的编程接口和高效的计算性能，特别是在GPU加速方面表现优秀。它还支持自动微分、动态调整模型结构等高级功能。PyTorch在学术界和工业界都有很高的受欢迎程度，特别是在自然语言处理和计算机视觉领域的研究和开发中。PyTorch框架要安装和使用PyTorch，可以按照以下步骤进行：安装Python：确保已经安装了Python。建议安装Python3.6或更高版本。选择安装方法：可以选择通过Conda或pip进行安装。Conda是一个Python包管理器，它可以帮助创建独立的Python环境，对于管理不同项目的依赖关系很有用。安装PyTorch：使用Conda或pip安装PyTorch及其相关库（如torchvision、torchaudio等）。安装完成后，可以在Python中导入PyTorch库，并开始使用其功能和接口。安装成功的截图绘制散点图

1.环境准备首先，确保你已经安装了TensorFlow。你可以使用pip来安装：下载ing用TensorFlow训练一个图像分类模型

安装成功用TensorFlow训练一个图像分类模型

2.数据准备对于图像分类任务，你需要一个数据集，其中包含已标记的图像。TensorFlow和Keras提供了几个常用的数据集，如MNIST、CIFAR-10和CIFAR-100，你可以直接使用这些数据集进行练习。这里我们以CIFAR-10为例。用TensorFlow训练一个图像分类模型

3.模型构建接下来，你需要构建一个神经网络模型。这里我们使用一个简单的卷积神经网络（CNN）作为示例。用TensorFlow训练一个图像分类模型

4.模型编译在编译模型时，你需要指定优化器、损失函数和评估指标。用TensorFlow训练一个图像分类模型

5.模型训练现在，你可以使用训练数据来训练模型了。history=model.fit(x_train,y_train,epochs=10,validation_data=(x_test,y_test))6.模型评估训练完成后，你可以使用测试数据来评估模型的性能。test_loss,test_acc=model.evaluate(x_test,y_test,verbose=2)print(f'\nTestaccuracy:{test_acc}')用TensorFlow训练一个图像分类模型

7.模型保存与加载如果你想保存训练好的模型以便将来使用，可以使用model.save方法。model.save('my_cifar10_model.h5')要加载保存的模型，可以使用tf.keras.models.load_model。fromtensorflow.keras.modelsimportload_modelmodel=load_model('my_cifar10_mode