深度学习实现

====================
更新了：
涉及的所有代码在GitHub上： https://github.com/Leezhen2014/python_deep_learning
下面说的博客文章在
深度学习入门-v3.pdf
每个章节的思维导图如下：

image.png

update 2020.0315
===================

简介

最近由于疫情被困在家，于是准备每天看点专业知识，准备写成博客，不定期发布。

博客大概会写5~7篇，主要是“解剖”一些深度学习的底层技术。关于深度学习，计算机专业的人多少都会了解，知道Conv\Pool的过程，也看过论文，做过实验或是解决方案。在写的各种卷积网络时候，有没有问问自己：这些网络到底是怎么“运行”起来的？如果自己要实现一个具备基本功能的神经网络应该怎么去实现？

知道事物的表面现象，不知事物的本质及其产生的原因是一件很可悲的事情，正如一个鲁迅所说：What I cannot create, I do not understand. 只有亲自实践去创造一个东西，才算真正弄懂一个问题。

本着“知其然，知其所以然” 的目的，去实现一个简单的深度学习框架，在实现过程中会对每个模块进行讲解，并采用迭代增量式开发的思路逐步的靠近我们的目标。

每一篇结尾有总结，每个模块有简单的测试。本着一切从简化的态度，测试所用的数据集为mnist数据集，开发语言为python3。

第一篇介绍numpy库和matplotlib库、读写二进制的方法、pkl等。这些知识会在后面用到，在本篇的最后会以mnist数据集为例，创建处理手写体图片的函数，供后使用。

第二篇介绍感知机。用感知机实现逻辑门、用多层感知机实现复杂逻辑门。

第三篇神经网络的设计与实现。分为上下两部分：

3.1篇增加神经网络的forward。实现激活函数、全连接层的计算、输出层。最后用mnist数据集测试forwarld是否正确；

3.2篇增加神经网络的backward。实现损失函数、梯度、学习算法。最后用mnist数据集测试神经网络的训练。

第四篇引入计算图的思想，用计算图的方式实现乘法层、加法层和激活层。最后用mnist数据集测试这些简单层。

第四篇添加optimization模块。设计实现SGD,momentum，学习率的衰减，adam。 最后用mnist数据集作对比。

第五篇增加一些处理过拟合的方法。实现droupout，权值衰减,。用mnist数据集测试效果

第六篇增加batch-normalization功能。用mnist数据集做测试效果；

第七篇增加conv和pool功能。实现一个lenet-5

前面七篇的代码和博客已经写完了，经过整理以后会陆续发布。就这样吧，加油！

by 2020年 2月11 01:28