初步认识人工智能

本文开头特别感谢许良带我进入深度学习世界。

这篇文章的目的是让我复习一下深度学习的大概框架，之后学习吴老师的课程后再来展开

深度学习的分类

1：监督学习  ·1训练数据有标签 ·2输入输出有映射关系   ·3主要应用于图像学习

2：无监督学习·1训练数据没有标签2 输入数据隐含的结构关系  3·聚类算法

3：强化学习1建立环境到行为之间的最佳映射·2阿尔法狗

卷积神经网络

卷积

y(t)=f(t)∗g(t)=∫∞−∞f(u)g(t−u)du

就现在

就现在的我看这个公式是基本看不懂~不过按照我查找的资料，他应该是应用于特征提取例如下图

讲一个6乘6的图通过公式变成了4乘4的图，但是我们并不知道他在中间提取出来的是什么信息，也就是说这是一个黑盒子！

神经网络

我认为应该是类似于人脑一样的，在多个神经元之间进行信息的传输，与人脑不同的是在传入这些神经元之后会进行一些处理，提取特征什么的。

• 输入层（Input layer），众多神经元（Neuron）接受大量非线形输入讯息。输入的讯息称为输入向量。
• 输出层（Output layer），讯息在神经元链接中传输、分析、权衡，形成输出结果。输出的讯息称为输出向量。
• 隐藏层（Hidden layer），简称“隐层”，是输入层和输出层之间众多神经元和链接组成的各个层面。如果有多个隐藏层，则意味着多个激活函数。

还有激活函数，损失函数，梯度下降，随机梯度下降，反向传播，正向传播等等

深度学习的步骤

1获取数据

买买买需要许多数据的时候是需要去买的，对已经有的数据进行处理，比如将其剪裁，翻卷，调亮度等，虽然对于人作用不大，对机器却不一样。

2处理数据

为了更好的计算数据，避免出现太大或者太小的数据，从而出现计算溢出或者精度失真，一般在开始做数据处理之前，需要进行归一化处理，就是将像素保持在合理的范围内，如[0,1]或者[-1,1]。

3模型搭建

搭建好上面说的神经网络，当热在中间还要加其他的层。

4模型训练

一个是欠拟合，一个是过拟合。所以要根据所掌握的一些知识，经验调节参数