神经网络学习心得

人工智能（AI）从诞生以来，理论和技术日益成熟，应用领域也不断扩大。目前人工智能（AI）已经以雷霆万钧之势从学术界潜入产业界的每一个角落，其价值之大，可想而知。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。机器学习中的神经网络是研究人工智能最热门的方向，而多层复杂的神经网络又发展成现在的深度学习。

1. 数学基础：高等数学、线性代数、概率论与数理统计（后面两个在本文中可能显得不是那么重要）
2. 编程基础：Python（https://www.runoob.com/python/python-tutorial.html）

1.AI从入门到放弃：BP神经网络算法推导及代码实现笔记：https://zhuanlan.zhihu.com/p/38006693

总结：该部分是学习神经网络的前提，其中梯度下降法需要重点掌握（用到高数中不少知识点），神经网络中的梯度下降法或BP算法用到了高数中的链式求导法则（可以跟着这个方向走）。链接的内容很多，但是需要我们掌握的有三点，梯度下降法、BP算法、loss损失函数的自定义（提供的链接没有提到，但是用到了，自定义损失函数有些人用到了信息论中的知识）。

 

2.神经网络或深度学习框架的选择：https://blog.csdn.net/broadview2006/article/details/79147351

总结：自认为讲得还不错，自己也用了pytorch的框架。但是也有必要列出其他神经网络框架，如下图所示。pytorch框架学习教程：https://github.com/zergtant/pytorch-handbook

 

3.搭建我们所需的环境：这部分我也弄了很长时间，主要原因是pytorch所需要的包都是从国外下载，下载速度很慢导致崩溃。

第一步，选择Python的编程工具

推荐使用清华源anaconda（https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/），下载好后安装即可，该工具自带Python环境。

第二步，安装pytorch环境

pytorch安装与配置：https://blog.csdn.net/tough_strong/article/details/103137029

注意：第二步安装很容易出错。

所有工作完成好后，我们就可以在GitHub（https://github.com/）找个项目来跑跑了（本文不作详细的说明了）。跑完之后就可以自己尝试着写代码了。

 

最后，放上几个感觉还不错的链接，因为写本文的初衷就是想收藏几个链接，生怕以后找不到了。

卷积神经网络特征图可视化（自定义网络和VGG网络）：

https://blog.csdn.net/dcrmg/article/details/81255498

Pytorch中正确设计并加载数据集方法：

https://ptorch.com/news/215.html

pytorch使用（一）处理并加载自己的数据：

https://blog.csdn.net/gyguo95/article/details/78821520/

Pytorch：从读取数据到项目落地：

https://blog.csdn.net/qq_26697045/article/details/100987856

Faster RCNN的TensorFlow代码的理解：

https://www.cnblogs.com/darkknightzh/p/10043864.html

faster-rcnn代码解读记录，github+tf：

https://blog.csdn.net/qq_41576083/article/details/82966489