深度学习 第一章 深度学习简介

深度学习入门-唐宇迪 （笔记加自我整理）

深度学习 第一章 简介

1.安装anaconda

     Anaconda是最方便的环境，其他的库都可以安装，建议使用anaconda自带的安装命令。初学者不建议再环境上浪费太多时间，容易打消积极性，anaconda集成环境非常棒。

2.常规套路

    和考试的套路一样，要先收集之前的测试题，要知道这些题的正确答案是什么；然后开始做题训练，大概率会有个知识体系，知道什么样的题答案是什么；然后需要通过一些模拟考试测试评估，评估下自己学习的程度，比如满分100分自己可以得到多少分。

• 收集数据，给定标签
• 训练一个分类器
• 测试、评估

3.超参数选择

      参数一般是可以学习到的，比如用线性回归模型，每个特征的重要性是多少，也就是权重，都是可以学习到的；而超参数一般都是指定的，比如说k近邻算法，判断一个样本属于哪一类，是和这个样本周围最近的样本相关的，k就是超参数，比如指定为3，那么就是最近3个样本属于哪一类，如果指定为5，就是最近的5个样本属于哪一类。

     不管是机器学习还是深度学习，一般用于训练模型的数据，和用于评测的数据，是完全不重复的，就好像要准备考试，考试题不会是联系题原题。但是训练集中也会存在问题，比如收集到的题覆盖度是不是够，会不会这次的题比较简单，下一波题比较难，两波题的难度不一样怎么综合衡量能力。

     这里很常见也很关键的方法，就是交叉验证，就是把训练集分成多份，一般会选择5、10份，分成其他份也可以，然后把一份留出来作为测试集，就是考卷，其他几份数据当做训练集，放到模型里建模学习；对于每一份测试集都采用同样的操作，把每一份测试集的评测结果取平均值，就是最终的效果，这样的好处是，不管简单的题还是难的题都学习到了，而且取得的平均值，更能衡量学习能力。

• 交叉验证：平均值作为验证集总效果
  • k-fold，将训练集切分成k份，这里是5
  • 每一份作为验证集，其他四份作为训练集训练
    • 【1，2，3