PyMC3和Theano代码构建贝叶斯深度网络,61页PPT探索贝叶斯深度学习以及实现

【导读】近日,Novartis的数据科学家Eric J. Ma进行了一次关于贝叶斯深度学习理论和实现的演讲,演讲题目是《An Attempt At Demystifying Bayesian Deep Learning》,在这次演讲中,目的是要做两件事情:揭秘深度学习的本质(实质上是用梯度下降进行带权值的矩阵乘法),并揭秘贝叶斯深度学习(将先验信息加在权值上)。 然后,作者通过PyMC3和Theano代码来说明如何构建贝叶斯深度网络,并将结果中的不确定性进行可视化,这个PPT和视频内容是学习贝叶斯深度学习非常好的资料,建议大家收藏。

▌内容目录

简要介绍深度学习:

是一种使用矩阵运算的模型;

并行:线性回归/非线性回归/前馈神经网络结构(Feed Forward NN Architecture)

我们估计哪些参数

权值

过滤器值(卷积)

用梯度下降进行估计

我们缺少什么?不确定性措施:

最重要的原因是:我们能否判断我们的模型对预测是否有信心?

贝叶斯深度学习的本质:

估计参数的概率分布,而不是原来的点估计

最常见的先验:权值矩阵上的单位高斯

代码示例:

用前馈神经网络进行二分类

前馈神经网络的非线性回归

参考文献:

“twiecki”的博客

Yarin Gal thesis + papers

▌演讲视频

参考链接:

https://pydata.org/nyc2017/schedule/presentation/39/

https://ericmjl.github.io/

▌PPT详细内容

-END-

专 · 知

人工智能领域主题知识资料查看获取:【专知荟萃】人工智能领域26个主题知识资料全集(入门/进阶/论文/综述/视频/专家等)

同时欢迎各位用户进行专知投稿,详情请点击

  • 发表于:
  • 原文链接:http://kuaibao.qq.com/s/20171227G00FHU00?refer=cp_1026

扫码关注云+社区