Python深度学习

前言

        本博客是为了那些想要从零开始探索深度学习的人或者想要拓展对深度学习的理解的人而写的。本书的目标读者是那些具有python编程的经验，并且想要开始上手机器学习和深度学习的人。本人是在读研究生希望通过自己的记录督促自己学习深度学习和机器学习。

一、深度学习基础

        第1章 什么是深度学习

本章包括以下内容

1. 基本概念和定义
2. 机器学习发展的时间线
3. 深度学习日益流行的关键因素及其未来潜力

1.1 人工智能、机器学习与深度学习

        人工智能、机器学习与深度学习之间的关系如下图所示：

 1.1.1 人工智能

        人工智能的定义：努力将通常由人类完成的治理任务自动化。因此，人工智能是一个综合性的领域，不仅包括机器学习与深度学习，还包括更多不涉及学习的方法。

1.1.2 机器学习

        以下是一种经典程序设计和一种新的编程范式：

        经典程序设计：人们输入的是规则和需要进行处理的数据根据这些规则，系统的到答案。

 

        新的范式利用机器学习，人们输入的是数据和从这些数据中得到的答案，系统输出的是规则。

        机器学习系统是训练出来的，而不是明确的用程序编写出来的。将与某个人物相关的许多事例输入机器学习系统，它会在这些示例中找到统计结构，从而最终找到规则将任务自动化。

1.1.3 从数据中学习表示

        机器学习的三要素：

1. 输入数据点。假设你是为了给图像添加标签，那么数据点就是图像。
2. 预期输出的示例。对于图像任务，预期可能是输出猫和狗这种标签。 
3. 衡量算法效果好坏的方法。这个是为了计算算法的当前输出与预期输出的差距。

        机器学习和深度学习的核心问题在与有意义地变换数据，在于学习输入数据的有用表示，这种表示可以让数据更接近预期输出。问题：什么是表示？以一种不同的方式来查看数据。例如：彩色图像可以编码为RGB格式或者HSV格式，这是对两种对同一数据的不同表示方式。在处理某些任务时，使用某种表示的时候可能会很困难，但是换种方式可能会变得比较简单。举个例子，对于“选择图像中所有红色像素”这个任务，使用RGB格式会比较简单，而对于“降低图像的饱和度”则选择HSV格式更为简单。机器学习模型都是为了输入数据找寻合适的表示——对数据进行变换，使其更适合手头的任务。

        例如我们给你一个任务，图中有一些白点和一些黑点。假设我们想要开发一个算法，输入一个点的坐标我们就是这个点时黑色还是白色的。在这个例子中：

1. 输入是点的坐标
2. 预期输出是点的颜色
3. 衡量算法效果好坏的是一种方法，正确分类的点所占的百分比。

        我们需要的是一种新型的数据表示可以明确区分白点和黑点。这里采用的是坐标变换。如下图所示：

        在这个新的坐标系中，点的坐标可以看作数据的一种新的表示。有一个很简单的规则就是：如过x>0则是黑点，如过x<0的是白点。