动手学深度学习TF2.0第一课: 目录框架梳理+预备知识

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