百度飞桨 PaddlePaddle 深度学习打卡7日营 -DAY1 深度学习任务解析及高层API

DAY1 深度学习任务解析及高层API

课程链接：https://aistudio.baidu.com/aistudio/course/introduce/6771
2.3

课件在社区里，作业及信息在QQ群中 及时做作业
课程面向深度学习基础用户。
B站直播，AI Studio作业
结业标准：完成作业 作业的截止时间为第二天20:00
直播当天中午12点钱发布课程+作业

今天讲师：春雨老师 （张春雨）
主要负责百度深度学习任务，主讲高层API
正课开始
深度学期7日打卡营 主要特点：极速入门 零基础入门
课程大纲：

1. 深度学习入门
2. CV+NLP实践
3. 部署上手

预期成果：可以学习到深度学习相关基本概念，CV&NLP的一些基础算法，深度学习框架，模型部署方法，端到端代码案例实践
终极目标：自己能够应用paddlepaddle高层API完整搭建并训练深度学习网络

所需工具：
编程语言：python
深度学习框架：paddlepaddle
其他py包：Numpy、Piilow
深度学习算法：Linear lenet resnet LSTM seq2seq

授课形式：
50 在线授课 理论
25 作业实践 练习
25 项目实践 实践

第一课：走进深度学习与高层API
人工智能-》机器学习-》深度学习 是层层包括的关系
机器学习是仿人的一套归纳和演绎的过程：通过历史数据对模型进行训练，而后以新的数据作为输入，即可输出模型对于问题的预测。》》》可以把机器学习理解成一个函数，根据输入给出输出
深度学习利用神经网络对于更复杂的问题给出答案
 神经网络的基本概念
神经元：神经网络中的每个节点，由加权和、非线性变换（激活函数）组成
多层连接：大量的神经元按照不同的层次排布，形成多层的结构连接起来，成为神经网络
前向计算和反向传播：网络的输出计算和参数更新
 深度学习历史&发展
早在上世纪神经网络就被提出，2010年以后，算力发展、算法提升、
近年来，深度学习的应用领域也逐渐加深 各行各业都有AI+ 应用场景广泛
深度学习让AI的研发模式从手工作坊式变成了工业化，简单来说就是模式的一直和模板的应用 深度学习推动人工智能进入工业大生产阶段，算法的通用性导致标准化、自动化和模块化的框架产生。传统模型的建立需要结合数据问题，和行业经验，以及大量的知识基础，而现在的深度学习只需PYTHON +深度学习框架 即可对输入的数据集进行处理，从而对模型进行训练。
 深度学习的框架设计和程序员负责
程序员在深度学习的过程中只需要做“选择”和“调用”即可，不用事事亲力亲为，对于库和函数更多的是选择和调用，而不是自己编写
（PPT图）
 深度学习一般过程
类似于人类对动物进行训练(如训练海狮区分字幕与数字)
深度学习的关键词： 数据 模型 训练 预测
正向:输入数据，根据现有网络参数生成一个预测标签值，而后跟预测真实标签值相比较
损失函数：度量模型预测值和真实值的差距，用于反应训练结果
反向：根据真实值与预测值的差距，根据梯度计算对过程参数进行调整与更新
学习率：参数调整的幅度 大小根据模型确定 决定了优化的速度和精度 （可以设置学习率逐渐缩小）

 深度学习开发的万能公式：

1. 问题定义： 对现实问题进行分析 直接影响了算法的选择、模型评估标准与投入时间
2. 数据准备：数据的范围；数据获取（下载清洗等）；数据预处理；数据集定义及切分（训练、评估、测试）
3. 模型选择和开发：对应问题合适模型选用 寻找或编写对应的模型代码
4. 模型训练和调优：使用数据集启动对模型的训练，围绕模型目标进行调优
5. 模型评估测试：对训练好的模型进行评估与测试，验证其是否达到业务要求
6. 部署上线：模型存储、导出、部署系统、监控指标

 深度学习框架介绍——飞桨 paddlepaddle
Eng：parallel distributed deep learning
Chi：快船的意思
百度自己的深度学习框架 （类似于 pytorch TensorFlow） 目前刚刚发布了2.0版本
Paddlepaddle 特点：体系化、简洁性、兼容性
高层API的含义：可以更加模块化的进行深度学习的训练，可以大幅减少代码开发的工作量和上手实践所学习的理论基础（类似于将深度学习的程序更好的封装在了“小黑箱”中）

在飞桨框架中，有三种方式来实现模型网络的设计和开发：
1． Sequential
2． Subclass
3． 内置网络

 实践项目：MNIST手写数字识别
目标：把单通道的28*28灰度图数字实践出来
在项目中实际动手实操一下
https://aistudio.baidu.com/aistudio/projectdetail/1505137

动态图&静态图
动态图模式较为灵活，可以灵活的调试和运行；静态图需要先编译框架，然后再计算结果

 总结回顾：
1． 人工智能 深度学习 相关背景知识
2． 深度学习开发的公式（标准流程）
3． 实践：通过调用深度学习高层API实现深度学习开发

 作业
客观题 A
实践作业：基于今天讲的手写识别数字案例创新
如：网络结构调整（变换和加深）；

 收获总结

本节课主要介绍了深度学习的入门基本概念以及大概思路。深度学习是人工智能实现方法的一种，属于机器学习中的一种。深度学习的核心工具是利用深度神经网络构建感知模型，通过数据对神经网络进行训练，而后神经网络模型能够根据输入做出预测，与预期值更加接近则反应了模型训练效果更好。

深度学习开发项目的基本流程：
问题提炼与分析
数据（用于训练神经网络）的获取与处理
确定模型架构以及参数（编写模型）
训练模型
参数调整和模型优化
模型性能分析与评估
模型部署与投入实际应用

 心得感悟
首先最为直观的一点，号称一个小时的课但是授课的春雨老师足足讲了两个多小时，真的是加量不加价，好评。
总体上看，这门课以paddlepaddle为深度学习框架，通过对于深度学习模块实现的较好封装从而让像我这样的小白通过调用模块即可实现深度学习的训练，把造房子变成了搭积木，简单且易上手，值得学习。
对于这门课程的定位：作为一个深度学习（乃至代码编程）领域的新手小白，我把这次课程当成深度学习的上手课程，最关键的是可以让我大概理解深度学习的分类，运行机理，至于具体代码的逐行实现，还是需要对于基础知识（比如机器学习，数理，神经网络）等进行学习以后再施行，因此对我来说还是十分有帮助和价值的，希望能够坚持下去，把老师教的内容都理解到位！！！！

Ps：作业第一次就是100分 （此处多亏了自己的笔记）

Pps：百度的 AI studio真的是个宝藏，已经follow了上面的很多门课了，目前看来，这个假期暂时有事情可以做（不知道该哭还是该笑），总之，好好冲一冲电肯定不是坏事。