第一次作业：深度学习基础

Part1: 深度学习概述：（链接：结论和深度学习概述）

主要介绍了从专家系统到机器学习、从传统机器学习到深度学习的变化历程，以及深度学习的能与不能。一些名词概念的区别简单总结如下：

 1. 专家系统：根据专家人工定义的规则，进行推理判断，解决问题。

           机器学习：机器从数据中提取知识自动训练，解决问题。

2. 监督学习：数据标记已知，目的在于学习输入。

    无监督学习：数据标记未知，目的在于发现数据中模式或有意义的信息。

    半监督学习：部分数据标记已知，是监督学习和无监督学习的混合。

    强化学习：数据标记未知但知道与输出目标相关的反馈，适用决策类问题

3. 深度学习的“不能”与解释性：

稳定性低、可调试性差>>找得到  “对症下药” ，出问题快速准确纠错

参数不透明、机器偏见>>看得懂  不再“对牛弹琴”，算法+人的知识体系

增量型差、推理能力差>>留得下  “站在巨人的肩膀上”，越学越聪明

4. 浅层神经网络：

生物神经元、M-P神经元

万有逼近定理：如果一个隐层包含足够多的神经元，三层前馈神经网络（输入-隐层-输出）能以任意任意精度逼近任意预定的连续函数

Part2: 李沐课程学习：（链接：https://link.zhihu.com/?target=http://courses.d2l.ai/zh-v2/）

 一、代码练习环境 

在谷歌 Colab 上的 Jupyter 笔记本环境完成 pytorch 代码练习，使用方法参考：https://www.cnblogs.com/lfri/p/10471852.html 

二、数据操作

导入 torch

import torch

张量：表示由一个数值组成的数组，这个数组可能有多个维度。具有一个轴的张量对应数学上的向量。具有两个轴的张量对应数学上的矩阵。具有两个轴以上的张量没有特殊的数学名称。

使用arange创建一个行向量x。这个行向量包含从0开始的前12个整数，默认创建为浮点数。张量中的每个值都称为张量的元素。

x = torch.arange(12)

x.shape

#通过张量的shape属性来访问张量的形状 （沿每个轴的长度）。

x.numel()

X = x.reshape(3, 4)