【飞桨学习笔记】第一章:零基础入门深度学习
前言
最近参加了PaddlePaddle飞桨的《百度架构师手把手带你零基础实践深度学习》课程,和小伙伴们一起学习~
百度架构师毕然老师讲解得很生动有趣!干货满满!
课程链接
link.
课程大纲
第一章:零基础入门深度学习
第二章:一个案例吃透深度学习
第三章:深度学习实践应用——计算机视觉
第四章:目标检测YoloV3
第五章:深度学习实践应用——自然语言处理
第六章:情感分类
第七章:深度学习实践应用——推荐系统
第八章:深度学习高阶导入
第一章:零基础入门深度学习
人工智能&机器学习&深度学习
人工智能
人工智能是方法论,范围很广
机器学习
机器学习的实现可以分成两步:训练和预测,类似于我们熟悉的归纳和演绎
深度学习
其实传统机器学习和深度学习在理论结构上是一致的,即:模型假设、评价函数和优化算法,其根本差别在于假设的复杂度
深度学习改变了AI应用的研发模式:
- 实现了端到端的学习
实现了端到端的学习,不需要去做feature engineering - 实现了深度学习框架标准化
框架化
波士顿房价预测
波士顿房价预测是一个经典的机器学习任务,类似于程序员世界的“Hello World”。
预测输出类型:
- 连续的实数值 - 回归任务;
- 离散的标签 - 分类任务
基本步骤:
- 数据处理
数据导入、数据形状变换、数据集划分、数据归一化处理和封装load data函数 - 模型设计
也称为网络结构设计,相当于模型的假设空间,即实现模型“前向计算”(从输入到输出)的过程 - 训练配置
需要通过训练配置寻找模型的最优值,即通过损失函数来衡量模型的好坏 - 训练过程
目标是让定义的损失函数Loss尽可能的小,也就是说找到一个参数解w和b使得损失函数取得极小值。
极值点 -> 斜率为0 -> 导数为0
整套方法论
- 数据处理:读取数据、预处理
- 模型设计:网络结构(假设)
- 训练配置:优化器(求解算法)、计算资源配置
- 训练过程:循环调用训练过程(外层循环epoch、内层循环batch),前向计算 +损失函数(优化目标)+后向传播
- 保存模型