Python + 深度学习从 0 到 1（00 / 99）

希望对你有帮助呀！！💜💜 如有更好理解的思路，欢迎大家留言补充 ~ 一起加油叭 💦
欢迎关注、订阅专栏 【深度学习从 0 到 1】谢谢你的支持！

⭐ 什么是深度学习？

人工智能、机器学习与深度学习的关系 💜

人工智能是一个综合性的领域，不仅包括 机器学习与深度学习，还包括 更多不涉及学习的方法。例如，早期的国际象棋程序仅包含程序员精心编写的硬编码规则 (符号主义人工智能)，并不属于机器学习。

• 【技术定义】机器学习：在预先定义好的可能性空间中，利用反馈信号的指引来寻找输入数据的有用表示
• 【命名理解】深度学习：深度指的并不是利用这种方法所获取的更深层次的理解，而是指一系列连续的表示层 (参考上图：数字识别)

图解深度学习的工作原理 💜

机器学习是将输入（比如图像）映射到目标（比如标签“猫”），这一过程是通过观察许多输入和目标的示例来完成的。

1. 【每层做什么：参数化】神经网络中每层对输入数据所做的具体操作保存在该层的权重（weight）中，其本质是一串数字。用术语来说，每层实现的变换由其权重来 参数化（parameterize）

   

2. 【参数更新的依据：损失函数】找到所有参数的正确取值可能是一项非常艰巨的任务，特别是考虑到修改某个参数值将会影响其他所有参数的行为。想要控制一件事物，首先需要能够观察它。想要控制神经网络的输出，就需要能够衡量该输出与预期值之间的距离。这是 神经网络损失函数（loss function） 的任务，该函数也叫目标函数（objective function）
   

   

3. 【参数更新的方法：优化器】深度学习的基本技巧是利用损失函数作为反馈信号来对权重值进行微调，以降低当前示例对应的损失值。这种调节由 优化器（optimizer） 来完成，它实现了所谓的反向传播（backpropagation）算法

   

参考书籍：Python 深度学习