深度神经网络的深度,使用python 深度神经网络

　　前言这个博客是为那些想从头开始探索深度学习或者想扩展对深度学习的理解的人而写的。这本书的目标读者是有python编程经验，想开始机器学习和深度学习的人。本人研究生，希望通过自己的记录督促自己学习深度学习和机器学习。

　　一、深度学习的基础第一章什么是深度学习本章包括以下内容

　　基本概念和定义机器学习发展的时间线深度学习日益普及的关键因素及其未来潜力1.1人工智能、机器学习和深度学习

　　人工智能、机器学习和深度学习的关系如下图所示：

　　1.1.1人工智能

　　人工智能的定义：努力将通常由人类完成的治理任务自动化。所以人工智能是一个综合性的领域，不仅包括机器学习和深度学习，还包括更多不涉及学习的方法。

　　1.1.2机器学习

　　下面是一个经典的编程和一个新的编程范例：

　　经典编程：人们输入要处理的规则和数据。根据这些规则，人们可以系统地得到答案。

　　新范式使用机器学习。人输入数据，从这些数据中得到答案，系统输出规则。

　　机器学习系统是经过训练的，而不是明确编程的。将许多与某个人相关的例子输入机器学习系统，它会在这些例子中找到统计结构，最终找到规则来自动化任务。

　　1.1.3从数据中学习表示

　　机器学习的三个要素：

　　输入数据点。假设您正在标记一个图像，那么数据点就是一个图像。预期输出的示例。对于图像任务，预计可能输出猫和狗的标签。衡量算法效果的方法。这是为了计算算法的当前输出和预期输出之间的差距。机器学习和深度学习的核心问题在于对数据进行有意义的转换，学习输入数据的有用表示，可以使数据更接近预期输出。问：什么是表征？以不同的方式查看数据。例如，彩色图像可以用RGB格式或HSV格式编码，这是同一数据的两种不同表示。在处理一些任务的时候，可能很难用某一种表征，但是用另一种方式可能会变得更简单。例如，对于“选择图像中所有红色像素”的任务，使用RGB格式更容易，而对于“降低图像的饱和度”，选择HSV格式更容易。机器学习模型旨在输入数据，找到适当的表示形式，并转换数据，使其更适合手头的任务。

　　比如，我们给你一个任务。图中有一些白点和一些黑点。假设我们要开发一个算法，输入一个点的坐标，不管我们是点的时候是黑还是白。在本例中：

　　是一种衡量算法效果的方法，即正确分类点的百分比。我们需要的是一种新的数据表示，能够清晰地区分白点和黑点。这里采用坐标变换。如下图所示：

　　在这个新的坐标系中，点的坐标可以看作是数据的一种新的表示。有一个很简单的规律：如果和x0交叉，就是黑点，如果和x0交叉，就是白点。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。