以前总用的tf框架,现在系统的练习下pytorch,将部分学习记录整理在此,尽量简洁明了,加油。
要求:会看技术文档很关键
教学课程很难跟上技术迭代的步伐,我们作为工程实践者一定要学会如何适应正在变化的技术。要知道深度学习框架是什么,要会看技术文档。
学习目标
- 如何用pytorch实现学习系统
- 理解基本的神经网络(深度学习)
知识储备
线性代数、概率论与数理统计(基本分布\随机变量与分布的关系);
python(class\magic机制)。
笔记
1. 算法定义的不同
以往算法课
算法设计中指的是穷举法、贪心法、分治法、动态规划等。
ML、DL中的算法
是从数据中(机器)学习到的算法。机器学习是基于统计的方法。
范围
深度学习属于表示学习中。
2. 如何实现以后学习系统
表示学习中特征和学习器分开训练(如很多无监督学习);
深度学习则是针对整个模型的训练,又称端到端的表示学习方法。
3. 发展
SVM的挑战
- 人工处理特征受限制
- 处理大规模数据集
- 现在我们会处理很多无结构数据
感知机发展到人工神经网络
最重要的是反向传播,不是用解析式来求导,因为神经网络层数增多解析式会很难求,反向传播核心叫计算图。
前馈过程在计算,反过来求偏导(符合高等数学链式法则)
学习关键
- 不是将所有的模型学会。而是去学习构建模型的套路,怎么实现,然后构建自己的模型。
- 深度学习的不断发展的原因:
算法的种类越来越多;
可获取的数据量越来越大;
算力的不断提升(主要指显卡)。