[人工智能-深度学习-60]：生成对抗网络GAN - 结构化学习Structured Learning

Posted 2022-01-04 文火冰糖的硅基工坊

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121919215

---

目录

第1章 关于常见的深度学习问题分类

1.1 回归问题

1.2 分类问题

1.3 结构化学习

第2章 不同深度学习问题的数学模型

2.1 线性回归问题的数学模型

2.2 分类问题的数学模型

2.3 结构化问题的数学模型

---

---

第1章 关于常见的深度学习问题分类

1.1 回归问题

用一个经典的问题来解释：

（1）假设你想买房子，手头上仅有的是之前出售的房子的占地面积大小和房子的价格，你想凭借手头上的这些数据来买一套不错的房子，那么你仅有的关于房子的信息是房子的占地大小，也就是就一个特征，那么这样的问题被称为单一特征回归问题。
（2）再假设一下，还是买房子，如果此时你手头上除了房子的占地大小这一个信息之外，还有房子邻街的距离、房子的高度、房子的周围的环境等等信息，你想凭借这些信息来选一套房子，那么此时你所拥有的是关于房子的多个特征，这样的问题是多特征回归问题。
总结一下，除了特征的数量不同，这两种描述都是回归问题、

回归问题的特点：

是你所预测的量是一个连续的值，比如这里是预测房屋价格，价格是一个连续的值。最后会按照顺序把输出值串接起来，构成一个曲线。这就是回归问题。

输入：通常是多个维度向量，可是结构化的向量，也可以是非结构化的向量。

输出：通常为0维的的标量，不同预测的输出标量值是连续的实数。
 

1.2 分类问题

用一个简单的例子：

西瓜的好坏。给定西瓜的若干特征，需要你根据这些特征来判断这个西瓜是好是坏。所给的特征可以是一个也可以是多个。分类问题的最大的特点是所预测的值是离散、独立的，比如这里的西瓜的好坏，两种情况，不是好就是坏。再比如是否生病，不是生病就是不生病。当然这两个例子都是两种情况的分类问题即二分类。

如果多分类问题呢？比如手写数字识别，就是多分类问题，对于一张照片传进来，只能判断是0~9之间的一个数字，其他的就不会预测。

其特点预测的值是离散、独立的，二分类的离散值只有0和1, 多分类的离散值是分类的数量。

分类问题的特点：

输入：通常是多个维度向量，可是结构化的向量，也可以是非结构化的向量。

输出：通常为0维的的标量，不同预测的输出标量值是一个离散的整数值。离散数的数量，取决于分类的类别数。

1.3 结构化学习

结构化学习是指：输出不是标量，而是结构化的数据格式。

输入：通常是多维的向量。

输出：

• 序列（sequence）
• 列表（List）
• 树（Tree）
• 图像（可以转化为序列）
• 语句（可以转化为序列）

应用：

• 目标检测
• 语义分割
• 实例分割
• 机器翻译
• 语音识别
• 聊天机器人

第2章 不同深度学习问题的数学模型

2.1 线性回归问题的数学模型

由于普通的数学函数具备：多输入单输出的特征。

因此，普通函数用于解决线性回归是比较直观，容易。

线性回归就满足，多输入，单输出。

2.2 分类问题的数学模型

 由于分类的输出，每一路是相互独立的，并行的。

因此，其内部的函数模型，是多个相同函数的重复。

2.3 结构化问题的数学模型

由于多个输出之间并非是对等的并列关系，而是构成一定的结构。

因此，其内部的函数模型，就不是简单的重复，每个输出函数，其形式不尽相同，与结构化的输出强相关。因此，结构化学习的模型，远比分类或回归模型复杂。

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/121919215