学习深度学习的第一天

环境配置是真的难，呜呜

1.学习是一个训练模型的过程，通常包括以下步骤：

1. 从一个随机初始化参数的模型开始，这个模型基本毫不“智能”。

2. 获取一些数据样本（例如，音频片段以及对应的是否{是,否}标签）。

3. 调整参数，使模型在这些样本中表现得更好。

4. 重复第2步和第3步，直到模型在任务中的表现令你满意。

2.机器学习的关键组件：

1. 我们可以学习的数据（data）。

2. 如何转换数据的模型（model）。

3. 一个目标函数（objective function），用来量化模型的有效性。

4. 调整模型参数以优化目标函数的算法（algorithm）。

3.数据：

拥有海量数据是不够的，我们需要的是正确的数据，以及能够预测任务目标的。

4.模型：

模型由神经网络错综复杂的交织在一起，包含层层数据转换，因此被称为深度学习。

5.目标函数：

用于定义模型的优劣程度。通常定义一个目标函数，希望优化他到最低点，故这函数也被称为损失函数。最常见的损失函数是平方误差，即测量值与实际值之差的平方值。

损失函数是根据模型参数定义的，并取决于数据集。 在一个数据集上，我们通过最小化总损失来学习模型参数的最佳值。该数据集由一些为训练而收集的样本组成，称为训练数据集。

数据集分成两部分：训练数据集用于拟合模型参数，测试数据集用于评估拟合的模型。

6.优化算法：

一旦我们获得了一些数据源及其表示、一个模型和一个合适的损失函数，我们接下来就需要一种算法，它能够搜索出最佳参数，以最小化损失函数。流行的优化算法是梯度下降。

简而言之，在每个步骤中，梯度下降法都会检查每个参数，看看如果你仅对该参数进行少量变动，训练集损失会朝哪个方向移动。 然后，它在可以减少损失的方向上优化参数。

7.监督学习：

监督学习（supervised learning）擅长在“给定输入特征”的情况下预测标签。 每个“特征-标签”对都称为一个样本（example）。

较为细致的理解:首先，从已知大量数据样本中随机选取一个子集，为每个样本获取基本的真实标签。 有时，这些样本已有标签（例如，患者是否在下一年内康复？）； 有时，我们可能需要人工标记数据（例如，将图像分类）。 这些输入和相应的标签一起构成了训练数据集。 随后，我们选择有监督的学习算法，它将训练数据集作为输入，并输出一个“完成学习模型”。 最后，我们将之前没见过的样本特征放到这个“完成学习模型”中，使用模型的输出作为相应标签的预测。