【机器学习系列】初步了解机器学习-[pytorch]

---

前言

本系列文章，将会围绕机器学习的原理和方法，基于pytorch的实现进行。同时也会以简单易懂的方式讲述语音识别，图像识别，AlphaGo的原理及其实现。同时也会持续附上大量关于机器学习的论文资料，欢迎大家持续追更。

本篇文章是个人机器学习第一次总结与分享，本篇内容多为介绍机器学习，具体代码后续文章会持续推出。参考2021李宏毅 机器学习课程，《Deap Learning with Pytorch》。

---

以下是本篇文章正文内容，下面案例可供参考。

一、机器学习是什么？

你想过当下热门的语音识别，图像识别，AlphaGo等技术是如何实现的？Machine learning就包括Regression，Classification吗？

新大陆来咯！
人工智能，通常由人完成的智能任务的自动化。
机器学习是人工智能的一个子领域。
用现代技术自动提取特征又是深度学习的领域。

传统编程是基于数据和规则输出结果，机器学习重在学习规则。
有没有感觉很神奇？

二、机器学习的三个步骤

可以考虑一下如何把大象放进冰箱里。

1.Function with unknown.(找一个带未知量的函数)

先打开冰箱门。

举一个简单的函数模型，后期会专门介绍激活函数。

x代表feature（特征，也就是输入）
w代表weight（权值）
b代表bias（偏差）
简单理解:给一个输入，加上一个权值，也就是预测可能的比例，这个比例可能存在一些误差，在加上一个偏差来弥补。

2.Define Loss from Training data（根据训练数据，求出损失函数。）

把大象塞进冰箱里。

Loss：是一个带参数的损失函数。
什么意思？
给你的模型一个系列的值，让模型得出结果，再和真实结果比较，通过某种标准最后得到Loss。

某种标准有MAE,MSE,Cross-entropy等，后续会专门介绍。

3.Optimization（优化）

关上冰箱门。

这里采用的是**Gradient Descent(梯度下降)**的方法。
再次回顾最开始提出来的简单模型，这个模型中的w和b是我们不知道的，梯度下降就是随机找一个w和b然后根据导数方法找到使Loss最小的一组值。
具体步骤：

（1）pick an initial value.（随机找一个值）

随机找一个w[0]

（2）Compute gradient. (求一阶导数）

以w为例子，求w[0]处的导数值，注意我们是想让Loss最小，所以有

导数范围	移动方向
小于0	正方向（+）
大于0	负方向（-）

关于导数等于0的情况，我会在后续机器学习优化中专门讲解，你可以现在知道，这个导数=0对整个操作没有太大的影响，他可以通过某种方式继续移动。

（3）Update. (更新）

红色这个参数叫做超参数，是我们自己输入的。

当然我们可能会出现这样的情况

这种情况怎么办呢？大家可以先思考一下，后续专门针对这个问题做文章。你可以想一下如何避免或者走出这种悲伤的小谷底呢？

在这里大家需要明白：
1.你给定的带未知数的模型的参数，是机器学习要求自己去生成学习的。
2.Loss函数长什么样子，现在是根据你的模型结果和真实值来决定的，这个也是机器学习学习的结果，你可以理解为这个函数是一个中间过程，我们要让他最小。

---

三、总结

其实把大象放进冰箱里很简单。

一共就三步，机器学习其实Just easy。

那么，刚刚的例子中，我们有的是已经知道的数据，我们做机器学习是为了测试未知的数据，未知数据准吗？那什么是测试数据？训练数据？
刚刚的模型是一个要么递增，要么递减的函数？现实生活怎么会有这么特殊的情况，其他情况呢？
梯度下降的方法真的靠谱吗？

本系列文章，将会围绕机器学习的原理和方法，基于pytorch的实现进行。同时也会以简单易懂的方式讲述语音识别，图像识别，AlphaGo的原理及其实现。同时也会持续附上大量关于机器学习的论文资料，欢迎大家持续追更。