百度飞桨心得Final——总结

不知不觉，百度飞桨深度学习21天的课程，已经接近尾声了。
俗话说的好：师傅领进门，修行看个人。

在这次课程之后，我说不上对深度学习，机器学习了解了多深。但这次课程是一次敲门砖，带我走进了ML,DL的大门，了解到了这个领域是怎么运作的，对具体知识的要求，以及——数学的美。

在这里我想总结一下本课程的主要内容，分享给大家，同时便于自己日后翻看。

本次课程总共有4个模块。

①零基础入门深度学习

实践项目：波士顿房价预测

这个项目可以看作是机器学习界的“hello world”
通过这个项目，我了解到了机器学习，一般分为五个步骤。

①数据处理

②模型设计

③训练配置

④训练过程

⑤模型保存

正是由于代码步骤的通用性，所以百度飞桨这个框架才有了用武之地。

②一个案例吃透深度学习

实践项目：识别手写数字

这个项目，加深了我对

1. 数据处理
2. 网络结构
3. 损失函数

的认识。

我知道了数据处理也是很重要的一个环节，如果数据不能转换成你的框架能识别的格式，那后面的模型都是无用功了。

我也知道了损失函数不止有均方误差这种。
对于分类问题，最好用交叉熵这种损失函数。
学到这里，我不禁感叹数学的美妙。这里是数学运用在实际问题中的最好体现。

③计算机视觉

实践项目：眼疾数据集识别

在这个课程中。我对如下知识有了进一步的理解

1. 卷积神经网络：卷积，池化
2. 激活函数ReLU，Sigmoid
3. 批归一化
4. 四个图像分类的模型：AlexNet, VGG, GoogleNet, ResNet

这里用到的卷积是离散形式下的卷积，对应位置作积再相加。和线性代数中矩阵乘法的运算十分相似。

如果对卷积想有深入的了解，可以关注我日后将会发布的卷积专题。

激活函数ReLU，Sigmoid则是一种关于筛选的两个函数。通过学习这两个函数，相信你会体会到筛选的美妙。

如果对这两个函数想有深入的了解，也可以关注我日后将会发布的该专题。

④目标检测——以yolo3为例

实践项目：AI识虫
这个课程顾名思义，可以进行目标检测。即在一张图片中找到我们所需要的目标。
这是一个比较复杂的网络结构。
待更…

路漫漫其修远兮，吾将上下而求索…