ds证据理论python实现_阅书记·深度学习入门基于Python的理论与实现

ds证据理论python实现_阅书记·深度学习入门基于Python的理论与实现_第1张图片

从毕业设计从开始到现在,也算是接触深度学习有一年的时间了,看过一些硕士生的毕业论文也浏览过几篇学术论文,对于深度学习一直来说就像熟悉的陌生人。我知道它来源于数据挖掘机器学习中的人工神经网络,也知道卷积、池化、激活等一些列基本概念,听过正向传播算法和逆向传播算法的名称,一直没有较为系统的打通这些概念的联系,直到阅读了这本斋藤康毅的书籍,使我对深度学习的认知有了一定程度的提高,趁着一口气的热乎劲,我把这本书推荐给你,并把其中一些对自己有用的东西记录下载,本文仅适用于深度学习初级选手。

该书使用python3进行编程示例,尽可能的少调用外部依赖库和工具,从零入手创建一个深度学习网络。也许你使用过tensorflow、keras、pytorch、caffe等深度学习框架,但是其实很多时候我们只是在进行积木的拼接,去复现别人的网络再寻求改进来测试实验。真正的理解深度学习中的很多学术名词和底层实现方法有时候并得不到重视。

我不追求对于底层代码的一一实现,但是介绍了很多理论的具体实现方法,我觉得基本和阅读源码并无差别,这样从某种程度上来讲时间上对黑盒有了一定的透明性。

我简单回忆记录下我学到的内容:1.感知机的实现 2.多层感知机的实现 3.损失函数的类型 4.激活函数的类型 5.微分方法优化loss 6.逆向传播算法的学习和实现 7.正向传播算法的学习和实现8.激活函数的类型和进步的历史 9.优化器的类型和发展历史,实现 10.batch 11.epoch 12.minibatch 还有很多吧,就简单记录一下

从微观的一个神经元,到一维数据类型的神经网络,再到数组图片类型的多维度多通道的神经网络,一一从底层实现并不适用框架。

啧啧啧,记录了些有的没的,但是真的推荐这本书给身边的深度学习的同学,某种程度上讲,它十一块木板,让你离这个学科放又近了一步,高了一点,不只是盲目的使用了,和理论理解了,至少,你知道它是怎么来的了,也许离开书本你还是不会实现。

可那又怎么样呢?用着计算机我也不知道里面的电路,可至少知道有CPU存储器、外设不啦不啦

我是个机器学习深度学习的小白

邮箱[email protected]

继续努力吧~~

你可能感兴趣的:(ds证据理论python实现)