学习深度学习第一天（仅供自己学习记录）

前言部分

   首先了解了机器学习，机器学习是一门具有前瞻性的学科。对于语音识别和计算机视觉这些领域来说，机器学习只是一个小组件。我们需要学习的深度学习是属于机器学习中的一个子领域，它使用多层的神经网络处理输入数据，从而实现更高级别的特征提取和分类。两者区别在于深度学习在处理图像、语音、自然语言处理等任务时表现更好，而机器学习更适合处理结构化数据和统计学。

引言部分

       机器学习是一类强大的可以从经验中学习的技术。通常采用观测数据或者环境交互的形式，机器学习算法就会积累更多的经验，其性能就会更加的优化。

1.1日常生活中的机器学习

    在日常生活中我们会经常应用到机器学习，例如，语音唤醒手机助手，并与它进行互动，它也会在短短几秒钟给你回应。假如我们编写程序来响应一个“唤醒词”，现在设置一个唤醒词为“小爱”。而麦克风每秒钟将收集大约44000个样本，每个样本都是声波振幅的测量值。怎么才能将该测量值与唤醒词联系到一起呢？又该如何进行编程呢？我们对以上问题都毫无头绪，这就是机器学习的原因。

       即使我们不知道怎么编写程序来识别“小爱”这个词，但是大脑自己也能够识别。有了这个功能，我们就能采集包含大量音频样本的数据集，并对包含和不包含“唤醒词”的样本进行标记。利用机器学习的方法，我们只需定义一个灵活的程序算法，其输出由许多参数决定，然后使用数据集来确定当下的“最佳数据集”，这些参数通过某种性能度量方式来到达完成任务的最佳性能。

       参数可以被看做为旋钮，旋钮的转动可以调整程序的行为。任一调整参数后的程序被称为模型。通过操作参数而生成的所有不同程序的集合称为“模型族”。使用数据集来选择参数的元程序被称为学习算法。

      在使用机器学习算法解决问题之前，我们要准确地定义问题，确定输入与输出的性质，并选择合适的模型族。上面的例子中，我们把一段音频作为输入，然后是或否中生成一个输出。如果我们经过一段时间的训练并且顺利的话，模型对于“片段是否包含唤醒词”的预测通常是正确的。机器学习中，学习是一个训练的过程。通过这个过程，我们可以发现正确的参数集，从而使模型强制执行所需行为。

训练过程通常包含如下几个步骤：

       1.从一个随机初始化参数的模型开始，这个模型基本没有“智能”；

       2.获取一些数据样本；

       3.调整参数，使模型在这些样本中变表现更好；

       4.重复（2）和（3），直到模型在任务中的表现令人满意。

       总之就是通过数据采集来确定程序行为。我们并没有编写唤醒词识别器，而是编写了一个“学习”程序。例如我们设计一个“狗图检测器”，检测器最终会学会：如果是一张狗的图片就输出一个足够大的正数，如果是一张猫图就输出一个足够小的负数，如果两者都不是，则输出一个接近于0的数。这个例子只是机器学习应用中的冰山一角。