Leo Yeh's Blog

SAS 深度學習 (1)

教學目標

初步了解 SAS 深度學習的基本概念。

重點概念

首先深度學習主要能夠從多個隱藏層的神經網路中導出的預測資訊,以利有效解決問題,同時與傳統神經網路在於隱藏層激活函數、權重初始化、正則化技術、基於梯度學習優化以及分散式處理運算,這五大方面有不同的差別,請參考下表。

五大方面 傳統神經網路 深度學習
隱藏層激活函數 Hyperbolic Tangent (tanh) Rectified Linear (RELU)
權重初始化 Constant Variance Normalized Variance
正規化技術 Stopped Training、L1 和 L2 Stopped Training、L1、L2、Dropout 和 Batch Normalization
基於梯度學習優化 Batch GD 和 BFGS Stochastic GD、Adam 和 LBFGS
分散式處理運算 CPU GPU

接著我們能夠透過 SAS Viya 平台中的強大記憶體分散式運算的雲端分析服務之基礎架構上執行深度學習的功能,其中主要有三個深度學習的模型類型,分別為:

  1. 深度神經網路 (DNN):主要用於解決詐欺偵測等分類問題。
  2. 卷積神經網路 (CNN):主要用於建立影像識別等分類問題。
  3. 遞歸神經網路 (RNN):主要用於解決文字分析和時間序列等問題。

再來我們能夠使用多種程式語言進行 SAS Viya 平台中深度學習的應用操作,包括 Python 和 R,建議參與「Using SAS Viya REST APIs with Python and R」免費官方課程,當然也能夠付費參與每週測驗和上機練習操作,以利獲取官方徽章,其中課程內容主要有包括透過 Python 和 R 使用 SAS Viya 平台進行深度學習相關技術應用,像是文字分析、影像辨識、時間序列、… 等。

最後我們還能夠透過 SAS DLPy Python API 套件有效應用深度學習功能來解決電腦視覺,自然語言處理,預測和語音處理等實務應用的問題,同時 SAS DLPy Python API 套件主要是根據 Keras API 所建立的,因此對於 Keras 使用者非常容易上手。以及在 SAS DLPy Python API 套件中許多模型皆有預先定義的深度網路架構能夠直接使用,像是 LeNet、VGG、ResNet、DenseNet、Darknet、Inception、YOLOv2、Tiny YOLO、… 等,此外我們更能夠使用 DLPy 匯入和匯出深度學習開放式神經網路交換 (ONNX) 格式的深度學習模型。

相關資源

⬅️ Go back