深度学习基础（一）

一、机器学习的概念

想要理解深度学习，首先需要了解什么叫做机器学习，而机器学习就是对计算机一部分数据进行学习，然后对另外一些数据进行预测与判断。

机器学习的核心是“使用算法解析数据，从中学习，然后对新数据做出决定或预测”。也就是说计算机利用以获取的数据得出某一模型，然后利用此模型进行预测的一种方法，这个过程跟人的学习过程有些类似，比如人获取一定的经验，可以对新问题进行预测。

机器学习是一门多领域交叉学科，涉及概率论、统计学、计算机科学等多门学科。机器学习的概念就是通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。如下图所示：

二、机器学习与深度学习

大致了解了机器学习，就可以了解深度学习了。其实深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。说明白一点就是机器学习是人教机器学，而深度学习是机器自己学，两者的区别就是是否有人为的干预。深度学习是基于机器学习的一种方法，因此它比机器学习也更强，能够解决更为复杂的实际问题。那么他们与人工智能的关系如何呢？

三者关系如图所示

 三、机器学习的本质

其实机器学习的本质就是根据你要解决的问题，构建一个能够解决问题的函数。比如一元线性函数y=kx+b，就是通过分析很多组样本数据，总结出来的一个数学规律。当向计算机输入大量训练数据，并“告诉”它这是y=kx+b类型，达到一定程度后，当你输入一组数据时它就能自动计算k值和b值。这只是简单的应用，比较复杂的应用场景有图像识别、数据处理等。

四、机器学习和深度学习的过程

上一节提到了一元线性函数y=kx+b，那么机器学习如何确定其中的k和b呢?一般会遵循三个步骤，即模型假设、评价函数、优化算法。模型假设是根据数据特征假定模型，评价函数即确定自己的模型是否精准，优化算法即寻找评价指标最优的方法（可以类比高中预测模型，寻找最优解等知识）。而深度学习和机器学习的步骤是相同的，都是一个理论体系结构，唯一的不同就是深度学习由于需要解决的问题复杂度较高，已经不能用简单的函数来表示，因此引入了模拟人脑的神经网络数学模型。

五、学习平台

大致了解了一些基础知识，接下来就需要找相关的平台进行学些了，推荐使用Pytorch，它具有以下优点。

• 简洁：PyTorch的设计追求最少的封装，尽量避免重复造轮子。不像TensorFlow中充斥着session、graph、operation、name_scope、variable、tensor、layer等全新的概念，PyTorch的设计遵循tensor→variable(autograd)→nn.Module 三个由低到高的抽象层次，分别代表高维数组（张量）、自动求导（变量）和神经网络（层/模块），而且这三个抽象之间联系紧密，可以同时进行修改和操作。
简洁的设计带来的另外一个好处就是代码易于理解。PyTorch的源码只有TensorFlow的十分之一左右，更少的抽象、更直观的设计使得PyTorch的源码十分易于阅读。在笔者眼里，PyTorch的源码甚至比许多框架的文档更容易理解。

• 速度：PyTorch的灵活性不以速度为代价，在许多评测中，PyTorch的速度表现胜过TensorFlow和Keras等框架 。框架的运行速度和程序员的编码水平有极大关系，但同样的算法，使用PyTorch实现的那个更有可能快过用其他框架实现的。

• 易用：PyTorch是所有的框架中面向对象设计的最优雅的一个。PyTorch的面向对象的接口设计来源于Torch，而Torch的接口设计以灵活易用而著称，Keras作者最初就是受Torch的启发才开发了Keras。PyTorch继承了Torch的衣钵，尤其是API的设计和模块的接口都与Torch高度一致。PyTorch的设计最符合人们的思维，它让用户尽可能地专注于实现自己的想法，即所思即所得，不需要考虑太多关于框架本身的束缚。

• 活跃的社区：PyTorch提供了完整的文档，循序渐进的指南，作者亲自维护的论坛 供用户交流和求教问题。Facebook 人工智能研究院对PyTorch提供了强力支持，作为当今排名前三的深度学习研究机构，FAIR的支持足以确保PyTorch获得持续的开发更新，不至于像许多由个人开发的框架那样昙花一现。
选择完一个合适的平台后，接下来就需要找一些实例进行学习了，这里推荐三个，一个是房价预测模型、一个是手写数字模型、另一个是鸢尾花模型，基本信息如下。

六、结语

先写这么多吧，因为我也是刚接触深度学习的小白，有一些不正确之处还望见谅，后续会持续更新。