PyTorch深度学习实践

听课笔记，自学留用

一、Overview

1、推理过程 infer 比如说中午吃什么

2、预测过程 视觉信息上转化为抽象信息的过程

算法：1、穷举：列举所有的情况 2、贪心：每一步只选择从当前看来最好的选择 3、分治：一分为二，比如快排 4、动态规划 人工设置计算过程

机器学习：mechine learning ：和算法课程区别：机器学习算法不是人工设置出来的，而是从数据集中把想要的算法挖掘出来，计算过程来自于数据，而不是人工的过程。

基于规则的：规则会越来越多

经典的机器学习：人工提取特征

表示学习：特征提取不再是人工进行，而是训练专门的特征提取器

feature越多，需要的数据越多，采样数据要满足大数定律，要保证次采样密度，面临维度的诅咒

深度学习：用简单的特征，即原始性特征，比如说图片里的像素值变成张量直接拿进来，语音的波形序列直接拿进来，然后设立额外的层来提取特征，然后进去到学习器，然后输出。

真正让神经网络工作起来的是 Back Propagation（反向传播），反向传播的核心：计算图。