深度学习的一些概念分享

强化学习也是使用未标记的数据，但是可以通过某种方法知道你是离正确答案越来越近还是越来越远。

以上只是给出各个神经网络学习方法的基本概念，基本上初次接触深度学习基本不知道它讲的是啥，它们的定义都是从数据层面来看的，我们需要先理解什么叫做标记好的数据和未标记好的数据，脱离数据谈深度学习基本都是瞎扯，我们训练模型都是为了让计算机学习到一些东西，而数据就可以说是我们的一些先验知识。

什么是标记好的数据？

举个例子吧，比如我们有很多猫的图片和狗的图片，我们分别给这些图片打上标签（label），用来告诉计算机哪些是猫的图片，哪些是狗的图片，类似这些数据就是标记好的数据。而未标记好的数据则是没有被打上标签的。

图片引用自：莫烦PYTHON

监督学习有哪些数据集？

---

目前笔者接触深度学习并不多，都还处于监督学习的阶段当中，所以这里说的数据集也是基于监督学习来说的。

我们在进行有监督的神经网络学习当中，经常会谈到以下几个数据集：

• 训练集（train dataset）

• 验证集（validation dataset）

• 测试集（test dataset）

训练集

字面意思，就是用来训练模型的数据集。

验证集

作用是当通过训练集训练出多个模型之后，使用各个模型对验证集进行预测，并记录模型的准确率。

测试集

测试集是从原始数据划分出来用来预测训练好的模型，通常用来衡量模型的性能和分类能力。必须要注意，测试集是不允许出现在训练集当中的，不然就没有意义了。

问题：三个数据集该怎么划分？

是的，这也是笔者在拿到原始数据在进行数据划分产生的疑惑，关于这三块数据集有什么经验值呢，其实是有的：

小数据集

• 训练集 60%

• 验证集 20%

• 测试集 20%

大数据集

比如100万数据，我们可以按照以下比例划分：

• 98/1/1（训练集/验证集/测试集）

• 99.5/0.4/0.1（同上）

具体可以参考吴恩达的深度学习课程。

分类模型有哪些评测指标？

---

当数据集有了，模型也训练出来了，那我们怎么去评测一个模型的性能和效果呢，这里以分类模型来谈下如何衡量模型的好坏，不同的模型的评价指标不一样，后续笔者学到的话也会分享给大家。

分类模型一般会有哪些指标呢？

• 正确率（Accuracy）

• 精确率（Precision）

• 召回率（Recall）

• F1值（F1-Measure）

定义样本的计算变量：

TP(True Positive)：正类被预测为正类样本数

FP(False Positive)：负类被预测为正类样本数

TN(True Negative)：负类被预测为负类样本数

FN(False Negative)：正类被预测为负类样本数

你可能会比较懵，这里正样本指的是正类，比如我要识别一张猫的图片，猫的图片就是我们的正样本，而其他类型的图片就是我们的负样本，比如狗的图片就是负类我们不希望它被识别为猫的。

正确率

对于给定的测试集，分类器正确分类的样本数与总样本数之比。

计算公式：Acc = (TP + TN) / all

重要知识点

下面是有几位Android行业大佬对应上方技术点整理的一些进阶资料。

高级进阶篇——高级UI，自定义View（部分展示）

UI这块知识是现今使用者最多的。当年火爆一时的Android入门培训，学会这小块知识就能随便找到不错的工作了。不过很显然现在远远不够了，拒绝无休止的CV,亲自去项目实战，读源码，研究原理吧！

• 面试题部分合集
  

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

么很难做到真正的技术提升。**

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！