「深度學習」這項技術究竟是什麼? 簡單來說只要給電腦看過大量狗的圖片，它就能自己淬取出通用法則，辨識出什麼是狗，電腦能透過現有的大數據來下判斷，就跟人看到照片可以直覺判斷一樣， 「深度學習」模仿人類視神經的分層與功能，已擁有跟人類同樣能力! Deep Learning深度學習技術在人工智慧領域造成了空前進展，電腦在影像識別以及語音處理的能力，已經超越了人腦。電腦也能理解文章的語意，並能模仿人類語言產生出通順的句子。深度學習在圍棋對弈方面，也使電腦在成功擊敗了人類棋王。 一般而言，想要進入這個領域，門檻相當高，不但要具備深厚的數學底子，也要具備優秀的程式能力。 幸好去年Google釋出了開源軟體Tensorflow，大幅降低了進入這領域的門檻，使用者不需要了解複雜的數學理論，也不需要懂得如何優化程式運算的效能，即可使用簡單的API來寫出深度學習的程式，並在合理的時間內跑出運算結果。

1. TensorFlow深度學習講座
By Mark Chang

2. 簡介
• 深度學習是什麼？
• 深度學習的原理
• Tensorflow是什麼？

3. 深度學習是什麼？

4. ⼈人腦 vs 電腦
8
<
:
3x + 2y + 5z = 7
5x + 1y + 8z = 9
9x + 4y + 3z = 14

5. ⼈人腦 vs 電腦
貨櫃船
機⾞車

6. ⼈人腦 vs 電腦
• ⼈人腦優勢：
– 影像、聲⾳音
– 語⾔言
– ⾃自我意識（⾃自決⼒力）
– …
• 電腦優勢：
– 數學運算
– 記憶（儲存）能⼒力
– …

7. 深度學習
• ⼀一種機器學習的⽅方法
• ⽤用電腦模擬⼈人腦神經系統構造
• 讓電腦學會⼈人腦可做的事

8. 影像識別
http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf

9. 藝術創作
http://arxiv.org/abs/1508.06576

10. 語意理解
https://papers.nips.cc/paper/5021-distributed-representations-of-
words-and-phrases-and-their-compositionality.pdf

11. 詩詞創作
http://emnlp2014.org/papers/pdf/EMNLP2014074.pdf

12. 打電動
http://arxiv.org/pdf/1312.5602v1.pdf

13. 深度學習可以做的事
• 作畫
• 寫詩
• 開⾞車
• 下棋
• ……

14. 機器學習
監督式學習
Supervised Learning
⾮非監督式學習
Unsupervised Learning
增強式學習
Reinforcement Learning

15. 監督式學習
機器學習模型
機器學習模型 ship
ship
資料
⼈人⼯工標記
資料
答案

16. ⾮非監督式學習
機器學習模型
Beijing is the capital of China.
As China's capital, Beijing is a large and vibrant city.
Tokyo is the capital of Japan.
As Japan’s capital, Tokyo is a large and vibrant city.
…….
資料
結果

17. 增強式學習
機器學習模型環境
訊息
動作

18. 機器學習
監督式學習
Supervised Learning
⾮非監督式學習
Unsupervised Learning
增強式學習
Reinforcement Learning
深度學習
Deep Learning

19. 深度學習的原理

20. 監督式機器學習
訓練資料
機器學習模型
輸出值
正確答案
對答案
如果答錯了，
要修正模型
機器學習模型
測試資料
訓練
完成
輸出值

21. 符號慣例
訓練資料
全部：X , Y
單筆：x(i), y(i)
機器學習模型
h
模型參數
w
輸出值
h(X)
正確答案
Y
對答案
E(h(X),Y)
如果答錯了，
要修正模型
X
Y

22. 邏輯迴歸（Logistic Regression）
• ⽤用Sigmoid曲線去逼近資料的分佈情形
x
y
x
y
訓練
完成

23. 邏輯迴歸（Logistic Regression）
• ⽤用Sigmoid曲線去逼近資料的分佈情形
x
y

24. 訓練資料
X
Y
-0.47241379 0
-0.35344828 0
-0.30148276 0
0.33448276 1
0.35344828 1
0.37241379 1
0.39137931 1
0.41034483 1
0.44931034 1
0.49827586 1
0.51724138 1
…. ….

25. 機器學習模型
Sigmoid function h(x) =
1
1 + e (w0+w1x)
w0 + w1x < 0
h(x) ⇡ 0
w0 + w1x > 0
h(x) ⇡ 1

26. 修正模型
• Error function : Cross Entropy
E(h(X), Y ) =
1
m
(
mX
i
y(i)
log(h(x(i)
)) + (1 y(i)
)log(1 h(x(i)
)))
h(x(i)
) ⇡ 0 and y(i)
= 0 ) E(h(X), Y ) ⇡ 0
h(x(i)
) ⇡ 1 and y(i)
= 1 ) E(h(X), Y ) ⇡ 0
h(x(i)
) ⇡ 0 and y(i)
= 1 ) E(h(X), Y ) ⇡ 1
h(x(i)
) ⇡ 1 and y(i)
= 0 ) E(h(X), Y ) ⇡ 1

27. w1
w0
修正模型
• 梯度下降:
w0 w0–⌘
@E(h(X), Y )
@w0
w1 w1–⌘
@E(h(X), Y )
@w1
(
@E(h(X), Y )
@w0
,
@E(h(X), Y )
@w1
)

28. 修正模型

29. 神經元與動作電位
http://humanphisiology.wikispaces.com/file/view/neuron.png/
216460814/neuron.png
http://upload.wikimedia.org/wikipedia/commons/
thumb/4/4a/Action_potential.svg/1037px-
Action_potential.svg.png

30. 模擬神經元
n
W1
W2
x1
x2
b
Wb
y
nin = w1x1 + w2x2 + wb
nout =
1
1 + e nin
nin
nout
y =
1
1 + e (w1x1+w2x2+wb)

31. nout = 1
nout = 0.5
nout = 0(0,0)
x2
x1
模擬神經元
nin = w1x1 + w2x2 + wb
nout =
1
1 + e nin
nin = w1x1 + w2x2 + wb
nout =
1
1 + e nin
w1x1 + w2x2 + wb = 0
w1x1 + w2x2 + wb > 0
w1x1 + w2x2 + wb < 0
1
0

32. ⼆二元分類：AND Gate
x1
x2
y
0
0
0
0
1
0
1
0
0
1
1
1
(0,0)
(0,1)
(1,1)
(1,0)
0
1
n
20
20
b
-30
y
x1
x2
y =
1
1 + e (20x1+20x2 30)
20x1 + 20x2 30 = 0

33. XOR Gate ?
(0,0)
(0,1)
(1,1)
(1,0)
0
0
1
x1
x2
y
0
0
0
0
1
1
1
0
1
1
1
0

34. ⼆二元分類：XOR Gate
n
-20
20
b
-10
y
(0,0)
(0,1)
(1,1)
(1,0)
0
1
(0,0)
(0,1)
(1,1)
(1,0)
1
0
(0,0)
(0,1)
(1,1)
(1,0)
0
0
1
n1
20
20
b
-30
x1
x2
n2
20
20
b
-10
x1
x2
x1
x2
n1
n2
y
0
0
0
0
0
0
1
0
1
1
1
0
0
1
1
1
1
1
1
0

35. 類神經網路
x
y
n11
n12
n21
n22
W12,y
W12,x
b
W11,y
W11,b
W12,b
b
W11,x
W21,11
W22,12
W21,12
W22,11
W21,b
W22,b
z1
z2
Input
Layer
Hidden
Layer
Output
Layer

36. 視覺認知
http://www.nature.com/neuro/journal/v8/n8/images/nn0805-975-F1.jpg

37. 訓練類神經網路
• ⽤用隨機值初始化模型參數w
• Forward Propagation
– ⽤用⺫⽬目前的模型參數計算出答案
• 計算錯誤量（⽤用Error Function）
• Backward Propagation
– ⽤用錯誤量來修正模型

38. 訓練類神經網路
訓練資料
機器學習模型
輸出值
正確答案
對答案
如果答錯了，
要修正模型
初始化
Forward
Propagation
Error
Function
Backward
Propagation

39. 初始化
• 將所有的W隨機設成-N～N之間的數
• 每層之間W的值都不能相同
x
y
n11
n12
n21
n22
W12,y
W12,x
b
W11,y
W11,b
W12,b
b
W11,x
W21,11
W22,12
W21,12
W22,11
W21,b
W22,b
z1
z2

40. Forward Propagation

41. Forward Propagation

42. Error Function
J = (z1log(n21(out)) + (1 z1)log(1 n21(out)))
(z2log(n22(out)) + (1 z2)log(1 n22(out)))
n21
n22
z1
z2
nout ⇡ 0 and z = 0 ) J ⇡ 0
nout ⇡ 1 and z = 1 ) J ⇡ 0
nout ⇡ 0 and z = 1 ) J ⇡ 1
nout ⇡ 1 and z = 0 ) J ⇡ 1

43. w1
w0
Gradient Descent
w21,11 w21,11 ⌘
@J
@w21,11
w21,12 w21,12 ⌘
@J
@w21,12
w21,b w21,b ⌘
@J
@w21,b
w22,11 w21,11 ⌘
@J
@w22,11
w22,12 w21,12 ⌘
@J
@w22,12
w22,b w21,b ⌘
@J
@w22,b
w11,x w11,x ⌘
@J
@w11,x
w11,y w11,y ⌘
@J
@w11,y
w11,b w11,b ⌘
@J
@w11,b
w12,x w12,x ⌘
@J
@w12,x
w12,y w12,y ⌘
@J
@w12,y
w12,b w12,b ⌘
@J
@w12,b
(–
@J
@w0
, –
@J
@w1
)

44. Backward Propagation
@J
@n21(out)
@n21(out)
@n21(in)
21(out)
@J
@w21,11
=
@n21(in)
@w21,11
=
@n21(out)
@n21(in)
@n21(in)
@w21,11
n11(out)
21(in)
@n21(in)
@w21,11
21(in)
=
=
n11(out)21(in)
w21,11 w21,11 ⌘
@J
@w21,11
w21,11 w21,11 ⌘

45. Backward Propagation
11(in) =
@J
@n11(in)
=
@J
@n21(out)
@n21(out)
@n11(in)
+
@J
@n22(out)
@n22(out)
@n11(in)
= ( 21(in)w21,11 + 22(in)w22,11)
@n11(out)
@n11(in)
=
@J
@n21(out)
@n21(out)
@n21(in)
@n21(in)
@n11(out)
@n11(out)
@n11(in)
+
@J2
@n22(out)
@n22(out)
@n22(in)
@n22(in)
@n11(out)
@n11(out)
@n11(in)
= (
@J
@n21(out)
@n21(out)
@n21(in)
@n21(in)
@n11(out)
+
@J2
@n22(out)
@n22(out)
@n22(in)
@n22(in)
@n11(out)
)
@n11(out)
@n11(in)

46. Backward Propagation
http://cpmarkchang.logdown.com/posts/277349-neural-network-backward-propagation

47. Tensorflow是什麼？

48. Tensorflow
• https://www.tensorflow.org/
• TensorFlow 是 Google 開發的開源機器學習⼯工具。
• 透過使⽤用Computational Graph，來進⾏行數值演算。
• ⽀支援程式語⾔言：python、C++
• 系統需求：
– 作業系統必須為Mac或Linux
– Python 2.7 或 3.3 （含以上）

49. Computational Graph

50. Tensorflow
機器學習Library
(ex, scikit-learn)
TensorFlow 從頭開始寫
彈性
技術門檻
把資料整理好後，剩
下的就直接呼叫API
自行定義
Computational Graph，
並交由TensorFlow計算。
自己推導微分公式，
自己寫整個流程
低
低
高
高

51. Tensorflow
• 彈性
– 只要是可以⽤用Computational Graph來表達的運
算，都可以⽤用Tensorflow來解。
• ⾃自動微分
– ⾃自動計算Computational Graph微分後的結果。
• 平台相容性
– 同樣的程式碼可⽤用CPU執⾏行，亦可⽤用GPU執⾏行。

52. CPU V.S GPU
http://allegroviva.com/gpu-computing/difference-between-gpu-and-cpu/

53. Example : Binary Classification
n
w1
w2
1
b
y
x1
x2
x1
x2
y
y =
1
1 + e x1w1+x2w2+b
x_data = np.random.rand(50,2)
y_data = ((x_data[:,1] > 0.5)*
( x_data[:,0] > 0.5))
模型 資料

54. Example : Binary Classification
n
w1
w2
1
b
y
x1
x2
y =
1
1 + e x1w1+x2w2+b
訓練後

55. Tensorflow
x_ = tf.placeholder(tf.float32,[None,2])
y_ = tf.placeholder(tf.float32,[None,1])
w = tf.Variable(tf.random_uniform([2,1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1,1]))
y = tf.nn.sigmoid(tf.matmul(x_,w)+b)
cross_entropy = -tf.reduce_sum(y_*tf.log(y) + (1- y_) * tf.log(1 - y) )
optimizer = tf.train.GradientDescentOptimizer(0.1)
train = optimizer.minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for step in xrange(500):
sess.run(train,feed_dict={x_:x_data,y_:y_data})
print sess.run(cross_entropy)
sess.close()
Computational
Graph
Session

56. Computation Graph
# placeholder
x_ = tf.placeholder(tf.float32,[None,2])
y_ = tf.placeholder(tf.float32,[None,1])
# variable
w = tf.Variable(tf.random_uniform([2,1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1,1]))
# operations
y = tf.nn.sigmoid(tf.matmul(x_,w)+b)
# error function
cross_entropy = -tf.reduce_sum(y_*tf.log(y) + (1-
y_) * tf.log(1 - y) )
# trainer
optimizer = tf.train.GradientDescentOptimizer(0.1)
train = optimizer.minimize(cross_entropy)
# initalizer
init = tf.initialize_all_variables()

57. Placeholder
0.70828883
0.27190551
0.89042455
0.63832092
0.11332515
0.00849676
0.73278006
0.37781084
0.292448
0.09819899
0.9802261
0.94339143
0.36212146
0.54404682
……..
……..
0!
1!
0!
0!
0!
1!
0!
…!
x_ y_
x_ = tf.placeholder(tf.float32,[None,2])
y_ = tf.placeholder(tf.float32,[None,1])

58. Variable
w = tf.Variable(tf.random_uniform([2,1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1,1]))
0.42905441
-0.43841863
b
0!
w

59. Matrix Multiplication
y = tf.nn.sigmoid(tf.matmul(x_,w)+b)
0.42905441
-­‐0.43841863
w
x_
0.70828883
0.27190551
0.89042455
0.63832092
0.11332515
0.00849676
….
….
0.184686
0.1021888
0.04489752
….
tf.matmul(x_,w)+b
b
0!
0.70828883
*
0.42905441
+
0.27190551
*
-­‐0.43841863
+
0
0.89042455*
0.42905441
+
0.63832092*
-­‐0.43841863
+
0
0.11332515*
0.42905441
+
0.00849676*
-­‐0.43841863
+
0
….

60. Sigmoid
y = tf.nn.sigmoid(tf.matmul(x_,w)+b)
0.54604071
0.52552499
0.51122249
….
0.184686
0.1021888
0.04489752
….
tf.nn.sigmoid

61. Error Function
E(h(X), Y ) =
1
m
(
mX
i
y(i)
log(h(x(i)
)) + (1 y(i)
)log(1 h(x(i)
)))
cross_entropy = -tf.reduce_sum(y_*tf.log(y) + (1- y_) * tf.log(1 - y) )
0.54604071
0.52552499
…
0!
1!
…!
y_ y
1.4331052
-tf.reduce_sum(y_*tf.log(y))

62. Trainer
optimizer = tf.train.GradientDescentOptimizer(0.1)
train = optimizer.minimize(cross_entropy)

63. Trainer
w w ⌘
@E(h(X), Y )
@w
b b ⌘
@E(h(X), Y )
@b

64. Computation Graph
• Initializer
init = tf.initialize_all_variables()
w
b
w = tf.Variable(tf.random_uniform([2,1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1,1]))
0.42905441
-0.43841863
0!

65. Session
# create session
sess = tf.Session()
# initialize variable
sess.run(init)
# gradient descent
for step in xrange(500):
sess.run(train, feed_dict={x_:x_data,y_:y_data})
# fetch variable
print sess.run(cross_entropy, feed_dict={x_:x_data,y_:y_data})
# release resource
sess.close()

66. Run Operations
sess.run(init)
the Node in
Computational
Graph

67. Run Operations
for step in xrange(500):
sess.run(train, feed_dict={x_:x_data,y_:y_data} )
the Node in
Computational
Graph
Input
Data
0.70828883
0.27190551
0.89042455
0.63832092
0.11332515
0.00849676
0.73278006
0.37781084
……..
……..
0!
1!
0!
0!
…!
x_data y_data

68. Run Operations
print sess.run(cross_entropy, feed_dict={x_:x_data,y_:y_data})
the Node in
Computational
Graph
Input
Data
0.70828883
0.27190551
0.89042455
0.63832092
0.11332515
0.00849676
0.73278006
0.37781084
……..
……..
0!
1!
0!
0!
…!
x_data y_data
Results
2.4564333

69. Training
for step in xrange(500):
sess.run(train, feed_dict={x_:x_data,y_:y_data} )

70. Demo : Binary Classification
https://github.com/ckmarkoh/ntc_deeplearning_tensorflow/
blob/master/intro/binaryClassification.ipynb

71. Tensorboard
Histogram Summary
Scalar Summary Computational Graph

72. summary
tf.scalar_summarytf.histogram_summary
Histogram Summary Scalar Summary
merged = tf.merge_all_summaries()
writer = tf.train.SummaryWriter("./", sess.graph_def)
for step in xrange(500):
….
summary_str = sess.run(merged,feed_dict={x_:x_data,y_:y_data})
writer.add_summary(summary_str, step)

73. name_scope
with tf.name_scope("cross_entropy") as scope:
cross_entropy = -tf.reduce_sum(y_*tf.log(y) + (1-y_)*tf.log(1-y))

74. Launch Tensorboard
> tensorboard --logdir=./
Starting TensorBoard on port 6006
(You can navigate to http://0.0.0.0:6006)

75. Demo : TensorBoard
https://github.com/ckmarkoh/ntc_deeplearning_tensorflow/
blob/master/intro/tensorboard.py

76. Demo
• 影像識別：GoogLeNet
https://github.com/ckmarkoh/ntc_deeplearning_tensorflow/
blob/master/intro/googlenet.ipynb

77. About the Speaker
• Email: ckmarkoh at gmail dot com
• Blog: http://cpmarkchang.logdown.com
• Github: https://github.com/ckmarkoh
Mark Chang
• Facebook: https://www.facebook.com/ckmarkoh.chang
• Slideshare: http://www.slideshare.net/ckmarkohchang
• Linkedin:
https://www.linkedin.com/pub/mark-chang/85/25b/847
77