小白之深度学习入门

深度学习最近这几年炒的特别热，而且在计算机视觉方面应用广泛，故而决定学习了解一波。

那么，第一个问题就来了，什么是机器学习？哇咔咔，这个光看名字就知道了，就是让机器具有人类不断学习的能力，并且解决我们现有的一些问题。先来说几个简单的概念：

特征：就是物体的属性，我们人类经过学习之后，可以很快的将简单的特征抽象出来，可是计算机不行啊，他又不能理解我们的语言，所以，我们就需要将特征抽象化，最终以数值的形式描述出来 。

模型：这个也很好理解，数学中的单值函数大家都学过吧，给一个输入，经过函数的关系映射之后，会产生一个输出。在机器学习中，这个输入就是我们提取出来的特征，关系映射在这里指的就是模型。

函数经过之后，会最终产生一个结果，那么这个结果对不对呢？如果有答案的话，我们就可以根据答案判断对错，那如果没有固定的一个正确答案呢？大家可以想想，这个就正好对应了机器学习的常见三种学习方式，分别是：监督学习、非监督学习、增强学习。

监督学习：给一个输入，在已知最终结果的情况下，产生一个输出，将输出与最终的答案做比较，如果一样的话，标明模型良好，如果不一样的话，可以根据最终结果适当的调整模型，使得输出与最终的答案一致，这样模型就是在输入输出的“监督”下不断的学习的，这就是监督学习。

非监督学习：在现有的条件下，其实许多东西都并没有标准答案，即使我们通过神经网络去训练，最终我们也不知道结果正不正确，只能通过很多方法结合区辅助判断结果的正确程度，所以叫做非监督学习。

增强学习：这个与之前两个不同，模型返回输出之后，一个外部的环境会对模型返回的输出做出响应，并返回两个结果。

               1.返回一个奖励，这个奖励和监督学习不同，不直接衡量模型与最终结果的差距，而是以一种奖励的方法返回，如果

                  表现好，奖励就大，反之则小。

               2.环境会返回一个新的输入，模型会对这个新的输入开始新一轮的响应。

总结一波：监督学习场景下，需要四个要素：模型、数据、目标函数（损失函数）和优化算法。

特征工程：通过一些操作，将原始的特征转换成更容易被处理的特征。

深层模型：看名字就知道了，这个模型经过的步骤肯定特别的繁琐，就像我们平时做数学题一样，有的题答案很简单，但是有的就很复杂，需要推论很多次最终才能算法答案，那么我们在做很简单的数学题的过程，就相当于一个浅层网络，反之，就是一个深层的模型，深层模型现在主要有两个难以解决的问题：

1.模型的深度越深，就变得更加的灵活，其中包含的参数就更多，想要训练一个这样的模型，需要大量的数据量。

2.模型的复杂度成倍的增长，导致模型在训练的过程中变得 不可控。

但是深层模型也有优点啊：并不需要设计算法，每一个层次产生的计算方式了能难以理解，难以描述，但是它确实反应当前数据的特点，它可以很好的适配数据，所以只要训练充分就变得异常优秀了。

最后的最后，总结一波深度学习的优点：

深度学习舍弃了特征工程的步骤，让模型能够更好的根据数据的原始状态学习成长，因此，数据更容易学习到有用的信息。只要能够解决好深层模型的问题，那么深层模型就能将重点转移到数据身上，只要数据能够全面覆盖原始问题的范围，那么深层模型就能够从中学习到原始问题的精髓了。