飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记——零基础入门

第一章：零基础入门深度学习

到今天早上才学习完第一章零基础入门深度学习，在上周我才开始接触python，所以对于代码的理解需要费一些功夫，在看到一个新的函数、新的库都要去搜索学习。
但好在飞桨的课程真的是逐步讲解深度学习的每一个步骤与过程，我也跟着学习理解了这个过程。
由于我的专业是数学系，所以对于一些理论推的理解也吸收较快。

概念理解

深度学习参考了人脑结构，运用了神经网络，他比机器学习、人工智能更加复杂，他集中于文字、图像及语言。
神经网络三个核心点：神经元（加权和、非线性变换——激活函数）、多层连接、正向计算（输出）和反向传播（更新参数）

波士顿房价预测任务（机器学习的‘hello world’）

模型：多元线性回归

模型构建：

数据处理：

在这里我们需要导入数据，并且对数据的形状进行一定的处理。接下来将数据集划分为训练集（80%）与测试集。接着将数据集进行归一化处理，这一点非常重要，他将和房价有关的13个参数进行归一化处理，一是使模型训练更高效；二是使特征前的权重大小可以代表该变量对预测结果的贡献度（因为每个特征值本身的范围相同）。最后将这些步骤封装为一个load_data函数。

模型设计（线性回归模型）

我们以类的方式实现前向计算。
1.使用时可生成多个模型案例
2.类成员变量有w和b，在类初始化函数中初始化变量（w随机初始化，b=0）
3.函数成员forward完成输入特征x到输出z的计算过程（即前向计算）

训练配置

通过损失函数Loss来衡量模型的好坏，通过训练配置寻找模型的最优值。
在这里我们选用均方误差，原因也在作业中进行了考核。

接下来我们使用Numpy的广播功能，实现多样本计算，计算Loss。
但我们要找的是能够使Loss达到最小的w和b，所以我们采用梯度下降法寻找合适的w和b。再通过反向运算，更新参数，实现此过程。
最后我们可以确定Loss最小的点。
将上述步骤封装入train函数。

下面我们进行代码实现：
（我会在后面 注解每一部分代码的用途）

import numpy as np
import json
import matplotlib.pyplot as plt

#定义函数，进行数据处理
def load_data():
    # 从文件导入数据
    datafile = 'housing.data'#我将数据和代码放在一个文件夹内
    data = np.fromfile(datafile, sep=' ')

    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX'