李宏毅深度学习打卡Task07：总结

 深度学习一学期游，走马观花看看有哪些技术，可能有什么

各行各业都有深度学习的需求

深度学习-炼金术

 

 

一，为什么要使用卷积神经网络？

CNN常常被用在影像处理上，比如说你想要做影像的分类，就是training一个neural network,input一张图片，然后把这张图片表示成里面的像素（pixel）即--很长很长的矢量（vector）。通常会遇到问题：

1，在training neural network时，我们希望在network的structure里面，每一个neural就是代表了一个最基本的classifier，事实是在文件上根据训练的结果，你有可能会得到很多这样的结论。

2，直接用fully connect feedforward network来做影像处理的时候，需要太多参数。

卷积神经网络能简化neural network的架构，处理影像时，某些weight用不上，我们一开始就把它滤掉。不是用fully connect feedforward network，而是用比较少的参数来做影像处理这件事。下面3个方面进行阐述：

1，小区域；2，相同的图案；3，二次抽样。

二，CNN的架构如下：

1，输入一张图片后通过卷积层（convolution layer）

2，然后做max pooling

3，再做卷积

4，2-3步骤重复多次

5，压平

6，最后把flatten的output丢到一般全连接前馈网络，就可以得到影像辨识的结果

三，卷积(Convolution)

四，卷积和全连接之间的关系

五，Max pooling

六，压平

CNN学到了什么？（什么能让网络响应最大，固定参数，找到x，去让output最大）

--介绍了比较有意思的Deep Dream和DeepStyle

CNN应用：围棋，语音，文本。

总结：

经过十天的学习，收获了一些新知，因为不是机器学习的从业者和科班学生，所以我的定位就是跟着课程设置走，看指定视频和文档，没有更深入的学习经典教程和学术文章，也没有跑代码。

我的感受是机器学习在金融量化实践中的应用，主要是更快捷的找最优参数，而不是主动寻找交易策略，交易策略还是需要人工自顶向下，基于现实逻辑设定的。具体到个人，也不需要去深究公式如何推演，会用库和调参就行。

另外深度学习的应用越来越广，即便个人的工作无法用到，多了解这个大领域的最新成果，对开拓眼界，对行业未来发展的预判，新技术引起的职业变革都是很有好处的，感谢DataWhale发掘的课程，自驱力不足够的小白也能跟下来。