深度学习简介

​

活动地址：CSDN21天学习挑战赛

深度学习的数学基础：

线性代数： 告诉我们神经网路的数据是张量
概率论与信息论：这有什么疑问的，有什么机器学习算法用不到概率论
数值计算：告诉我们怎么算
还有微积分，毕竟梯度什么的都是微积分的内容啊

神经网络主要构成

输入
隐层:就是靠这个学习的
输出

深度学习的4种典型算法：

• 卷积神经网络 – CNN 用来处理具有类似网络结构的数据，如时间序列、图像数据；通过卷积来替代一般的矩阵乘法运算看的第一周那3个案例day1, day3, day5都是这个网络.
  一个简单的CNN网络总共分这几布，参考官网:如何训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类
  • 载入数据，或是下载或是本地
  • 验证数据,验证数据集看起来是否正确,就是输出几张训练集中的图片，查看是否正常
  • 构造卷积神经网络模型： Conv2D 层 + MaxPooling2D 层 + Dense 层
  • 编译并训练模型：开始N等待，比如简单的10层。
  • 评估模型：你会发现test_acc与最后一次训练结果一致，难道是训练结果越来越好？
• 循环神经网络 – RNN

下面这两个，等学明白上面那两个再说吧

• 生成对抗网络 – GANs
• 深度强化学习 – RL

神经网路的优势与不足：

优点

• 具有非线性映射能力。PS:号称是可以逼近任意复杂的非线性关系
• 具有自学习和自适应能力。PS: 都是深度学习了，这不是基本操作么？？？
• 具有泛化能力。PS: 你不知道的，他都知道

百度百科：泛化能力（generalization ability）是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。

• 具有容错能力。PS: 鲁棒性是真的强，稳得很！！！
  不足
• 数据量需求大。PS: 毕竟是大数据时代兴起的东西
• 可解释性差。PS： 黑箱性质，你永远不知道箱子的那头是什么。
• 计算代价高。PS: 深度学习是真的贵，大数据需要大存储，money! GPU提供算力，还是money。总之，没money，能玩，也就玩玩而已。