2020年伊始, 开始正式进军机器学习–深度学习(但依然保持原有的SLAM基础)。
第一部分
1.介绍深度学习的背景和深度学习的预备知识。
2.介绍深度学习最基础的概念和计数。
第二部分
1.描述深度学习计算的各个重要组成部分;
2.解析深度学习在计算机视觉领域成功应用
的卷积神经网络
;
3.近年来常用于处理序列数据的循环神经网路
;
第三部分
1.评价各种用来训练深度学习模型的优化算法;
2.检验影响深度学习计算性能的几个重要因素
;
3.列举深度学习在计算机视觉和自然语言处理中的重要应用;
深度学习简介
问题一:如何判断一张图像中是否含有猫?
解析: 这个问题听起来很简单,只需要对每张输入的图像输出真(表示有猫)
和假(表示无猫)
。 但是该怎么判断是否有猫,或者什么样的特征才能表示猫?
分析2: 一张400*400像素大小的图像,有近50w个数值表示。那么哪些数值隐藏着我们需要的而信息? 要想解读图像中的内容,需要寻找在结合成千上万的数值时才会出现的特征如 边缘、质地、形状、眼睛和鼻子等。最终才能判断图像和中有猫。
- 深度学习和机器学习的共同核心思想 – 用数据编程
机器学习: 就是如何获取适用于不同问题的函数形式,以及如何使用数据来有效地获取函数参数具体值的一门学科。
深度学习: 就是机器学习中的某一类函数, 通常表现形式为多层神经网络。
深度学习应用: 图像处理、拼写矫正、语音识别、人脸检测与识别等。
机器学习/深度学习的成功应用: 邮件分拣、电子支付、个性化推荐、网页排序、智能助手、 语音识别、物体识别和分类。
深度学习主要应用与计算机视觉部分。
本书要重点探讨的深度学习是具有多级表示的表征学习方法。在每一级(从原始数据开始),深度学习通过简单的函数将该级的表示变换为更高级的表示。
作为表征学习的一种,深度学习将自动找出每一级表示数据的合适方式。
相对其它经典的机器学习方法而言,深度学习的不同在于:对非最优解的包容、对非凸非线性优化的使用,以及勇于尝试没有被证明过的方法
端到端的学习: 从输入端到输出端会得到一个预测结果。一次训练只有一次结果反馈。
使用工具
- jupyter-notebook
- anaconda
- python