2021-10-04 第一次作业：深度学习基础

视频学习心得及问题总结

视频中印象比较深刻的是深度学习中的一些“不能”，如算法输出不稳定、模型复杂度高、难以纠错和调试、模型层级复合程度高、参数不透明、端到端训练方式对数据依赖性强、模型增量性差、对开放性推理问题无能为力、人类知识无法有效引入进行监督，机器偏见难以避免。我意识到深度学习还是有很多不足的地方。因为算法依赖于大数据，但数据不是中立的，从真实社会中抽取的数据必然带有社会固有的不平等、排斥性和歧视。且了解到且现在深度学习的特点是准确性高、解释性低。要想同时保证准确性和解释性，有着这两种可能的方法：深度学习+图谱，数据+知识。虽然不知道这两种方法具体应该怎么做，但还是很期待能够进行一些相关的学习来解决这些问题。最后希望能够在这个第三次起的人工智能高速发展的阶段能够有一些自己的学习和了解。

代码练习

2.1pytorch基础练习

定义数据

定义数据时一般使用torch.Tensor，tensor的意思是张量，是数字各种形式的总称。
一些关键代码截图：

可见Tensor支持各种各样类型的数据。
创建Tensor有着多种多样的方法，包括：ones, zeros, eye, arange, linspace, rand, randn, normal, uniform, randperm, 使用的时候可以在线搜。

定义操作

用Tensor进行各种运算的都是Function。计算分为三类，分别是基本运算，布尔运算，线性运算。在这部分也可以是使用时百度一下。
接下来是一些部分代码截图：

2.2 螺旋数据分类

一些关键代码截图：

构建线性模型分类

关键代码截图：

构建两层神经网络分类

关键代码截图：

个人想法

本次通过分别对pytorch基础练习和螺旋数据分类中代码的练习，首先了解了pyTorch是一个python库，并且有着GPU加速的张量计算和构建在反向自动求导系统上的深度神经网络两个高级功能。
在pytorch基础练习中学习了使用torch.Tensor定义数据，tensor可以定义各种各样的数据，且创建tensor有着多种方法，这些在用到时可以在线搜。并且实践了定义操作。
在螺旋数据分类中学习了构建线性模型分类和构建两层神经网络分类，在看完视频后学习这部分时对构建这两种模型可以有更深入的理解。由上示图中可以看出，线性模型的准确率大概只有50%，可见对于这种数据分布线性模型难以实现准确分类，而两层神经网络实现了很好的分类，准确性大于95%。