1.传统机器机器学习-->深度学习
p.s. 虽然深度学习效率超过传统机器学习很多,但深度学习在模型优化和训练(调整损失函数)的过程中需要用到传统机器学习知识!!
深度学习优点:适应性好,移植性好 (一model多应用)
缺点:计算量大,硬件要求高,模型设计复杂(很多层)
2.深度学习框架比较
theano(最初),tensorflow,caffe,MXnet(并行计算),keras 框架上层的一种设计工具
--->tensorboard模型可视化
3.tensorflow介绍
构建方程-->参数带入-->示例练习
4.深度学习基本概念
*神经元
:神经网络中最基本结构,是一个不同输入线性平均后经过非线性激励后得到的一个新的函数值
*卷积核
(图像处理CNN网络中的神经元)
卷积核计算:卷积核算子绕中心旋转180度分别乘图像对应元素之和-->用于图像边缘检测
*卷积神经网络
分类:与label进行对比,判断属于哪一类;
回归:生成一个值,希望与目标值差距越来越小
生成:根据原始图,生成特征图-->注意力图,分割图,艺术风格