动手学习深度学习 DIVE into Deep learning 的 学习 第一章 前言

动手学习深度学习 DIVE into Deep learning 的 学习 第一章 前言

本文为学习《动手学习深度学习》的一些学习，内容来源于网址：

https://d2l.ai/ Dive into Deep Learning — Dive into Deep Learning 0.17.1 documentation 主要学习pytorch的一些内容

引言

全书的结构
(https://zh.d2l.ai/_images/book-org.svg)]

前言

机器学习的任务 生成一个输入到输出的映射

具体实现：

1. 从一个随机初始化参数的模型开始，这个模型基本毫不“智能”。
2. 获取一些数据样本（例如，音频片段以及对应的{是,否}{是,否}标签）。
3. 调整参数，使模型在这些样本中表现得更好。
4. 重复第2步和第3步，直到模型在任务中的表现令你满意。

(https://zh.d2l.ai/_images/ml-loop.svg)]

1.2. 关键组件

无论我们遇到什么类型的机器学习问题，都一定包含如下的核心组件：

1. 我们可以学习的数据（data）。
2. 如何转换数据的模型（model）。
3. 一个目标函数（objective function），用来量化模型的有效性。
4. 调整模型参数以优化目标函数的算法（algorithm）。

1.2.1. 数据

每个数据集由一个个样本（example, sample）组成，大多时候，它们遵循独立同分布(independently and identically distributed, i.i.d.)。 样本有时也叫做数据点（data point）或者数据实例（data instance），通常每个样本由一组称为特征（features，或协变量（covariates））的属性组成。 机器学习模型会根据这些属性进行预测。 在上面的监督学习问题中，要预测的是一个特殊的属性，它被称为标签（label，或目标（target））。

当每个样本的特征类别数量都是相同的时候，其特征向量是固定长度的，这个长度被称为数据的维数（dimensionality）。 固定长度的特征向量是一个方便的属性，它有助于我们量化学习大量样本。

然而，并不是所有的数据都可以用“固定长度”的向量表示。 与传统机器学习方法相比，深度学习的一个主要优势是可以处理不同长度的数据。

1.2.2. 模型

大