![]()
![]()
高焕堂 人工智能
`在本文裡，與您分享我
可視化AI的學習之路。對於一些菁英高手而言，像Keras+TF可以把Py程式寫得很簡潔的。然而，愈是簡潔，對於入門學生或非資訊系學生而言，就只能像門外人一樣<看熱鬧>了。為了讓中學生、非訊息科系大學生們也能輕鬆看門道。例如，簡潔的十行Python代碼就可以建立一個典型的CNN模型：
- #------ Python 代碼範例 ----------------------------------------
- conv = Conv2D(2, (2, 2), padding='valid', activation='relu', input_shape=(5, 5, 1))
- poo = MaxPooling2D(pool_size=(2, 2), strides=2, padding='valid')
- d = Dense(2, activation='softmax', name="Dense")
- #--------------------------------------------------
- model = Sequential()
- model.add(conv)
- model.add(poo)
- model.add(Flatten())
- model.add(d)
- #--------------------------------------------------
- model.compile(loss=keras.losses.categorical_crossentropy,
- optimizer=keras.optimizers.SGD(lr=0.08),
- metrics=['accuracy'])
- model.fit(dx, dt, 1, 100, 0, shuffle=False)
- #---------------------------------------------------------------
這呈現出了卷積層，由兩個Y嬛去探索一隻玩具兔，得到卷積結果，呈現於下一頁：
上圖左邊就是兩個Y嬛卷積的結果( feature )。這個動作通稱為特徵提取。接著，按下，就推進到Pooling層：
同時也繼續往下推進到Flatten層，進入第 3頁面：
上圖的左邊就是Flatten層，中間和右邊就是Dense層(例如採Softmax激活函數)。整個Feed-Forward過程都呈現出來了。接下來，運用BP黃金三公式來解釋整個BP流程。繼續按下<第1&2公式>，就做兩件事：
1) 從Error計算出Delta(敏感度)，這是第1公式的事情。
2) 從將本層的Delta(敏感度)像波浪的漣漪效應般，逆向推回前一層(這是第2公式的事情)：
此時，已經推回到Pooling層了。 按下，就將漣漪繼續反向推到前一層(卷積層)：
上圖的右邊就是漣漪效應逆推回來的Delta，這都是第2公式的運算。接下來執行<第3公式>，計算各層權重的修正值(dw和db)。繼續按下<第3公式>：
這圖裡呈現出來卷積層的權重。此外，在第3頁，還有Dense層的權重：
最後，按下第1頁的<修正W和B>，就實際更新權重值：
由於這BP黃金三公式是如此地神奇。如同牛頓力學的三個定律。其計算出來的結果與Keras+TF的結果是完全一樣的：
上圖下方是Dense層的權重更新結果，是由十行Keras+TF代碼所執行出來的結果，但是其運算算的過程是隱藏的。上半部的Excel則把過程呈現出來。同樣地，在卷積層裡，也是同樣情形。由十行Keras+TF代碼所執行出來的結果：
但是，其運算算的過程是隱藏的。上半部的Excel則把過程呈現出來。
以上是我第二本書的範例，与您搶鲜分享。也歡迎參考我的《不編程，而學AI：Excel+TensorFlow》一書：
~ End ~
`
更多回帖
