深度学习心得（1）

什么是深度学习？

深度学习(Deep learning)是机器学习(Machine Learning)中的一个领域，是机器学习的一个分支，更简单来说就是，深度学习就是一个复杂的机器学习的算法，机器学习可以让计算机研究并学习人类的行为，从而获得新的知识和技能，而深度学习就是在这个基础上，让计算机可以模仿人脑的思维，像人一样，通过数据集（人的经验）来进行判断新的问题，并且自我完善，获得相对精确的模型，目前，深度学习在智能处理图像，语音识别方向已经取得了巨大的成功，未来的很多智能方向，都要依赖深度学习。

对深度学习所需要的基础知识？

入门深度学习，从个人经验来看，需要俩各方面，也是大多是机器学习所需要的俩个最重要的基础；

•  数学基础：线性代数、概率论；
• 编程语言基础：主要是Python语言，当然会其他语言的算法也是好的；

数学基础中的线性代数对机器学习是至关重要的，建议线性代数没有学好的同学可以在网上学习“线性代数的本质”，生动的讲解了现代的本质。https://www.bilibili.com/video/BV1fR4y1E7Pw/?spm_id_from=333.337.search-card.all.click&vd_source=aa45d525ce7be017ae86c23bda38bdeci

编程能力，就是要会用Python就可以了，以及各种包的调用，这个网上就可以找到；。关于编程语言，这个也可以结合算法一起学习，也可以先了解编程语言的基础知识，再去学习算法。通过自己动手编程实现算法，既可以加深对算法的理解，也可以加强编程能力

学习资料

参考书籍：

• 《数据挖掘导论》
• 《机器学习实战》
• 《统计学习方法》/《机器学习》
• 《深度学习》
• 《统计自然语言处理》/《推荐算法实战》
• 《算法导论》

视频资料：

• 刘二大人的《PyTorch深度学习实践》
• 吴恩达机器学习课程

深度学习的理解

深度学习说到底就是将人类推理的过程转化到计算机上，而机器学习我们一般说的都是监督学习，算法主要包括：1.穷举法、2.贪心法、3.分治法、4.动态规划，这些算法由数据集DataSet弄出算法，提出一个一个模型然后预测他们，总结来看包括三部分，1.DataSet数据集、2.Model模型、3.Training训练，训练集分成了俩方面，一部分用来训练，一部分用来开发；

在建立模型的过程中，要准备训练数据集，需要先确定模型，然后确定损失函数，这样在训练后，方便构造损失。

深度学习的实质，就是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。
原文参考链接：https://blog.csdn.net/qq_45093227/article/details/91494056

关于框架的学习

Pytorch是基于Torch的Python的开云机器学习库，用于自然语言处理等应用程序，这就要不得不说一下，关于这个环境的搭建，众所周知深度学习是对算力要求很高的一门学科，换句话说，就是要求电脑的显卡的配置要高，而早期的硬件计算能力有限，这也使得训练较复杂的神经网络都变得很苦难，然后通用GPU的到来就就饿了这一问题，GPU专门为图像处理和游戏以及算力的计算设计的，尤其是大量数据的吞吐量的计算，然而我的电脑是一台办公本，用的还是集成显卡，在费尽心力配置好环境以后，发现显卡根本不支持，GPU的运算，因此只有通过代码将其修改为利用cpu来计算，但是效果也不好，所以改用了线上的环境来使用，目前国内的阿里云，腾讯云在在线方面都很不错。

最后，在时间不多的情况下，多实践，不要管懂不懂为什么，问题可以在实践过程中解决，否则光视频或光看书，效果很小。

以上就是第一阶段的心得体会。