深度学习入门

https://zhuanlan.zhihu.com/p/36570549

 

使用 a.item()或 np.asscalar(a)将大多数NumPy值转换为本机Python类型：

import numpy as np
# examples using a.item()
type(np.float32(0).item()) # <type 'float'>
type(np.float64(0).item()) # <type 'float'>
type(np.uint32(0).item())  # <type 'long'>
# examples using np.asscalar(a)
type(np.asscalar(np.int16(0)))   # <type 'int'>
type(np.asscalar(np.cfloat(0)))  # <type 'complex'>
type(np.asscalar(np.datetime64(0)))  # <type 'datetime.datetime'>
type(np.asscalar(np.timedelta64(0))) # <type 'datetime.timedelta'>

SGD就是根据loss对各个参数的梯度和学习率来进行更新参数的

 

欠拟合：数量少  迭代次数不足  没有学到足够的特征

过拟合：训练样本过少  特征多  生成模型学到特征的细节过细

                  

 

 

 

 

 

 

 

 

 

迭代次数变少了，每次的计算量变大了

 

 

 

 

 

 

 

 

 

 

0x00 前言

最近看了一些文章，介绍了深度学习算法在安全领域的应用。可以极大的提高安全产品的检测效率。决定还是要投入精力在这块知识的学习上，昨天刚好看到大佬分享了一份深度学习的教程，在跟进教程的过程中，我顺手记了点东西，于是便有了本篇笔记。

由于我也是刚开始接触这块内容，行文中存在谬误在所难免，还望各位看官多多指正。

0x01 初识深度学习

在笔记的开始，首先要了解3个问题：

什么是人工智能？

什么是机器学习？

什么是深度学习？

先来说说对人工智能的定义吧，人工智能，用于实现模拟人的思考行为，通俗来讲是通过一些算法去解决一些模糊定义的问题。

那机器学习呢？机器学习是人工智能的一个分支，主要是利用一些统计学方法，对数据进行压缩、训练，得到一个精简的模型，利用训练好的模型对未知内容进行处理。

深度学习是机器学习的一个子集，可以追溯到从神经网络发展过来，相比神经网络，深度学习可以把模型做的更深、更复杂。数据量也会更大，同时配合更为强大的计算资源，可以做到更好的训练效果。

0x02 深度学习的应用场景

深度学习技术广泛应用于各个领域，这里介绍几个大家都了解的，且应用深度学习技术的场景：

1、AlphaGo

AlphaGo采用了增强学习的算法，通过大量的模拟、学习、计算，最终可以在围棋竞赛上打赢人类。

2、物体识别

无人驾驶，汽车的摄像头可以识别出前方的人、物体等。对应的是技术是计算机视觉领域的物体识别。

3、语音识别

这块接触的比较多，像各类手机的语音助手、各家IoT厂商推出的智能音箱等。

4、机器翻译

基于深度学习算法，可以提高机器翻译的准确率。

5、推荐系统<