深度学习day01

机器学习的：训练和预测，即归纳和演绎

假设-->评价-->优化

将数据划分为训练集和测试集，其中训练集用于确定模型的参数，测试集用于评判模型的效果。

在房价预测的案例中，有80%的数据用于训练集，20%用于测试集。对特征取值范围进行归一化处理，对训练集和测试集都进行归一化处理，其中测试集是使用训练集的均值和极值来进行计算，

模型好坏的衡量指标：损失函数。通常是使用均方误差来作为评价模型好坏的指标。

在求解损失函数的最小值时，通常是使用梯度下降法来求解，（使用求导的方法来求并不可取，正向计算简单，但反向求解是比较难的。但这种在密码学和军事中应用比较多），怎样才能比较快的选到最低点：

 确定方向和步长。

随机梯度下降：每次只随机选出一部分数据来代表整体，基于者部分数据来计算梯度和损失函数来更新参数，而不是全部的样本数据来计算，这样计算量不是很大，性能比较高（特别的样本量非常大时，差别会更明显）。

一般的实现流程：

 

房价预测的案例是机器学习的入门；手写数字识别是深度学习的入门。

房价预测之后还可以进行反归一化，这样得到的结果和真实的值会更接近。

图片的翻转与裁剪的实现：图像是由像素点构成的矩阵，数值可以用ndarray来表示。

翻转：垂直＋水平方向的翻转