深度学习入门1个月log#1 学习步骤+搭建tensorflow环境+知识点总结

深度学习入门记录

[\1]

作为一个计算机专业的纯小白，现大二暑假，准大三的孩子。在大一暑假参加过（很shui的）机器人比赛就喜欢上robot了，决定走上AI道路。结果由于入门不正确，导致一开始就心灰意冷的感jio。笔者第一次入门是通过paddlepaddle来入门的，但问题是，由于paddlepaddle入门教程很少，小白真的很难入门，还是选择tensorflow吧。

[\2]

但这个暑假，用了一个月时间，笔者成功入门了！
不啰嗦了，直接上学习过程。

主要的两大信息

[\1] 入门教程

我的良师A>链接： https://www.zhihu.com/question/26006703/answer/536169538
他会告诉你怎么入门机器/深度学习？如何用五个月时间入门？详细指南。（以及，如果你确实时间有限，最后还有一个速成指南）

[\2] 上手训练

手写数字识别是机器学习领域中的一个经典应用，很多机器学习算法以这个问题作为示例，其地位相当于程序界的hello world。
我的良师B>链接： https://cloud.tencent.com/developer/article/1351822
文章标题：基于Keras+CNN的MNIST数据集手写数字分类
他会告诉你怎么用keras来训练数据集。
该博主还有另外三篇一步步提高手写数字的识别率的文章>链接： https://mp.weixin.qq.com/s/MTugq-5AdPGik3yJb9yDJQ

学习过程

[\step1]

一个星期学习吴恩达老师的机器学习前 两周 课程
网易云课堂>传送门：https://study.163.com/course/courseMain.htm?courseId=1004570029&trace_c_p_k2=f4fc48ad160248edaa205b5475bb06ac

一个星期学习吴恩达老师的深度学习前 两周 课程
网易云课堂>传送门：https://mooc.study.163.com/course/2001281002?tid=2001392029&trace_c_p_k2=460f8cbf970a4aefa7773c90ba83ccd8#/info

[\step2]

看3blue1brown微积分篇、神经网络篇（3blue1brown出的视频不看谁后悔！让人醍醐灌顶！）
b站学数学~

[\step3]

看书《漫画机器学习入门》（以对话+漫画形式，真的真的very浅显易懂，不过建议看了吴恩达老师的视频后看，因为本书是对机器学习概念的升华。笔者看重的是本书不厚）

[\step4]

上手训练手写数字识别

[\step5]

继续不要停~

环境搭建

实力躺坑三十年，bug连连。安装了三天三夜gpu版，看过N个安装教程，因为出版时间太久远，版本不对称（这是我后来才发现原来tensorflow +cuda+cuNND这仨玩意儿都要相应的版本>链接https://blog.csdn.net/yuejisuo1948/article/details/81043962）。我这小白就把试过然后成功的大神安装教程分享吧~
Win10 cpu版>链接：https://blog.csdn.net/qq_28543355/article/details/89150588
（scikit-learn就不用安装了~）
Win10 gpu版>链接：https://blog.csdn.net/qq_25982223/article/details/98116278
（笔者的同学）
至于笔者躺过的坑…脑壳儿疼，心好累。过段时间恢复了，再上来补齐！！

知识点总结

[\1]

[\2]
建立一个手写数字识别神经网络步骤：
1、加载MNIST数据集
2、定义激活函数（激活函数有很多，ep:sigmoid函数、tanh函数、ReLU函数）
3、定义损失函数、选择优化器
4、迭代训练
5、模型评估

详情请看良师B的三篇一步步提高手写数字的识别率的文章>链接：https://mp.weixin.qq.com/s/MTugq-5AdPGik3yJb9yDJQ

[\3]

特征量：即一个物体的特征数据化的总和

x = ( a, b, c, d)
其中，x是一个向量。 a,b,c,d是指事物 x 的某些特征数值。ep: x是一位学生。a指x的年龄，b指x的性别,c指x的数据结构成绩，d指x的颜值程度（是哒，我是颜值汪）

[\4]

激活函数中的 回归：收集完数据输入后，由于一开始并不知道准确识别手写数字的模型，所以首先建立一个近似的函数模型，通过大量的数据不断拟合得到函数，这一过程叫回归。

[\5]

有监督学习：通过某种算法训练计算机能够逐步学习各种知识来预测未来
无监督学习：让计算机从大量数据中通过自己去分析找出规律（数据挖掘）

[\6]

dropout（中退取舍）:不是所有数据都是好的需要的。我们要适当地选取一定比例的特征，剩下的舍弃不用。

[\7]

过度学习：是指光训练正确，但测试却不行

[\8]

数据 正规化处理：为了不出现过度学习，不能让某个参数值远远大于其他参数值，也不能让同一个参数在某一时刻的值远远大于其他时刻的值。否则必须对数据进行处理。