【MindSpore系列总结】初探深度学习

初探深度学习

终于还是转行进入深度学习了。我一直有个梦想，希望面前机器能像人一样拥有情感，有自己的想法，自己的行事风格，而不是刻板地实现一个个既定的程序。现在在我面前出现了这么一个机会，让我可以深入了解深度学习、神经网络的领域，这是一个新的开始。

注：文章仅作分享，不作教程，具体开发教程网上其实很多。

AI框架的选择

当前最主流的AI框架莫过于Facebook 的pytorch和谷歌的tenserflow了。我的职业方向决定了我最后的选择一定是华为的mindspore，但是在这之前，我还是先使用pytorch来熟悉深度学习的流程。

深度学习的流程

我使用pytorch跑了两个最常见的demo，用以熟悉python的语法和深度学习的常见接口用法。在这之前，我使用的开发语言是C和C++，语言只是工具，开发思路总是互通的。

我跑的两个demo，一个是sin函数的拟合，一个是mnist数据集下的手写数字识别，这两个功能的开发算是深度学习领域的Helloworld，可以用于熟悉开发环境、了解运行流程。

环境配置

经推荐，我通过Anaconda来配置开发环境。Anaconda是一个专门的环境配置工具，有了这个工具，我们就不用去各个官网到处找资源、下载安装，该环境配置工具集成了python等基础语言，只需在该工具的环境下使用conda指令即可完成深度学习环境的配置。具体可在CSDN中搜索“Anaconda下配置pytorch环境”或“Anaconda下配置mindspore环境”，即可找到大量教程。

我用的代码编辑器是VSCode，这是微软的一个开源的，很好用的软件，支持安装C++、Python等各种语言工具，支持代码自动补全、代码检查等功能，还能直接在编辑器内拉起内置cmd窗口，很好用。

环境的配置需要花一些功夫，但是网上的教程很多。

代码开发

具体的开发代码我就不贴出来了，网上搜索“神经网络sin函数拟合”或“神经网络手写数字识别”，都能找到很多教程。在这我主要讲下深度学习的运行流程。

深度学习的做法是，提供大量带结果的数据给模型，从而更新模型内的参数，这样的话，模型在收到新的、不带结果的数据后，就可以用更新后的参数得到自己的结果。更新模型内的参数的这个动作，我们叫做训练。

所以说，整个流程包括：

1、提供大量带结果的数据

2、设计一个神经网络模型（以类的方式呈现）

3、选择损失函数和优化方式

4、将数据送入模型进行训练：正向传播->计算损失->计算梯度->更新参数->（使用新参数）正向传播…

5、数据训练完后，即可得到模型的参数，然后是验证、使用…

在具体的开发过程中，还有很多概念，比如数据集、优化器、批量梯度下降等，但是整体的流程和上述一致，这些概念在不断学习的过程中很容易理解。

机器情感

我的目标，是让机器也能有类似于人的情感。我感觉当前的图像识别和自然语言处理领域，实现的功能还仅是一种简单的神经反射，就像膝跳反应一样。训练得到一组固定的参数，然后就直接将这组参数拿去用，同一组输入面对同一组参数始终是同样的结果。情感不是这样的，人是一直在源源不断地输入数据的，视觉、听觉、触觉…人也是在无时无刻不在学习的，基于一套固有的奖惩机制，大脑中的参数、权重一直处于刷新状态，这造就了多变的、充满未知的情感。我希望能用深度学习模拟出这样的情感，我希望深度学习能实现这种奖惩机制、数据持续输入且持续学习的机制，真正造就出多变的情感。