我的深度学习入门——小白追风记

2016年读研究生以来，才开始真正迈入技术和科研的大门。

而16年正是人工智能计划火热之时，诸多新名词开始浮现在我的眼前。

在这种情况下，我也对人工智能、深度学习、机器视觉、机器人、无人车等领域进行了一定的探索。

 

人工智能此前经历了三起三落。。。此次复兴主要是以深度学习为首的连接主义

其主要理论方法包括：

1、人工智能的推理期、知识期

2、符号主义学习：决策树、基于逻辑的学习

3、基于神经网络的连接主义学习

4、统计学习：支持向量机

 

机器学习简介：

在计算机系统中，“经验”通常以“数据”形式存在。而机器学习研究的主要内容，是关于从数据中产生“模型”的算法，即学习算法。

其中典型问题包括分类（预测离散值）/回归（预测连续值）、聚类等；学习方式分为无监督、半监督、有监督、强化学习、迁移学习等。

 

好了，工欲善其事必先利其器，我们先来了解一下探索人工智能需要的平台和工具箱：

目前看来主要是以Python形成的庞大的生态圈为主：

1、Anaconda

Anaconda指的是一个开源的Python包管理器，其包含了conda、Python等180多个科学包及其依赖项。

conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换。

2、Numpy

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合 C/C++/Fortran 代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

3、Keras

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化 。

Keras在代码结构上由面向对象方法编写，完全模块化并具有可扩展性，其运行机制和说明文档有将用户体验和使用难度纳入考虑，并试图简化复杂算法的实现难度 。Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型 。在硬件和开发环境方面，Keras支持多操作系统下的多GPU并行计算，可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件。

Keras的主要开发者是谷歌工程师François Chollet，此外其GitHub项目页面包含6名主要维护者和超过800名直接贡献者 [4] 。Keras在其正式版本公开后，除部分预编译模型外，按MIT许可证开放源代码。

 

一些学习链接：

零基础入门深度学习(1) - 感知器  https://www.zybuluo.com/hanbingtao/note/433855

Ubuntu18.04安装TensorFlow和PyTorch全流程 https://blog.csdn.net/full_speed_turbo/article/details/93715202#PyTorch_107

TensorFlow版本配套关系表（cudnn、cuda、Python的配套关系，包含所有操作系统） https://blog.csdn.net/wanzhen4330/article/details/81660277