深度学习基本概念（一）

注意，本文内容并不符合常规的教学资料，仅仅用于在五分钟内，从零开始了解整个深度学习概念。详细的深度学习还是需要通过正规的学习路径进行学习。

1、机器学习与深度学习

机器学习是一种实现人工智能的方法，深度学习是一种特殊的机器学习。

2、神经网络

神经网络就是由一堆的神经元组成的网络，其中第一层是输入层（对于图像识别来说就是图像），最后一层是输出层（就是预测的结果），中间的层叫隐藏层。

预测的结果可以是单个的（比如 输入图片是否是狗），也可以是多分类的（比如： 猫、狗、猴子）。

下图就是一个三层的神经网络（通常认为输入层是第0层，计算层数时只计算隐藏层和输出层），只有一个输出结果。

每个神经元都有一堆参数和一个激活函数构成，通过 （输入、参数）计算出 输出，并传递给下一层的神经元。

从输入层开始，输入图像/文本数据，逐层进行计算，最后得到预测结果，这个过程叫前向传播。

通过一个函数（损失函数）计算预测结果和实际结果的差异，并反馈给模型。模型根据差异，调整每一层的参数，努力使模型更加准确，这个过程叫反向传播。

模型不断的根据预测结果和正确结果修改每一层的参数，提高准确率的过程叫训练。

随着不断的学习，模型的准确率会越来越高，当模型的准确率合格后，我们就可以将模型部署到服务器上，进行预测，这个过程叫推理。

 

2、训练集、验证集和测试集

train_data，valid_data，test_data

 

学习的目的是为了考试的成绩更高，训练就是考前反复刷题（做题，然后核对答案），验证就是做模拟卷（拿一些没有做过的题，来验证你是否掌握了方法），测试就是最后参加考试。

如果我们直接拿刷过的题来出模拟考试卷，那么就达不到验证的目的，你可能仅仅是背下了答案。所以我们通常将题目划分成两个部分，一部分用于学习，一部分用于验证。

有的时候还会有测试集（不一定有），就是用训练好的模型来实际的进行预测，看看预测的效果如何。

3、其他概念

模型：也叫网络，就是神经网络的结构（有多少层、每层有几个神经元，每个神经元的激活函数是什么、每个神经元的参数是多少......）

过拟合：通过反复刷题，有人发现凡是出现了“首先”字样的题，都会选C。但是实际上并不是普遍、正确的规律。在过拟合的情况下，考生对手上已有的题倒背如流，但是做没有见过的题就错误很多。如果你的模型反复训练，对训练集的预测精度越来越高，但是验证的时候精度反而开始降低了，那就很可能是过拟合了。

欠拟合：连反复刷的题都基本做不对。

4、深度学习的基本流程

划分数据集为训练集和验证集——数据预处理——定义模型结构——反复训练模型——保存模型——使用模型进行推理（预测）