深度学习学习记录一

1.学习路线

我这里的规划是，李宏毅的深度学习课程，然后林轩田的机器学习基石，机器学习技法，最后我们苏老师的计算机视觉。后面就读论文，复现程序了。

2.Kaggle 介绍

竞赛，作业平台

3.定义

让机器自己学习来生产复杂的程序。如语音识别，图像分类等。
Regression：输出一个数值的程序
Classification ：从设定好的信息中，选择一个输出，例子alaf go，从19*19的棋盘中选择一个最好的位置。
Structured Learning：让机器学会创作。（黑暗大陆）

4.Training过程

1.Function with unknown Parameters
y = b + wx
b: bias
w: weight
2.Define Loss from Training Data
L(b,W)
3.Optimization
Gradient Descent ：have local minima 局部最优解
η:learning rate
w = η * dL/dw

5.讲课的实例

5.1.linear models

李宏毅老师，这里使用自己的2017-2020的youtube数据来预测第二天的观看人数。用一个w来预测，等于用前一天预测，效果不好。发现曲线是七天一个循环，所以使用7个w预测。然后效果优化到极限，还是有误差。所以线性函数（linear models）不够用来预测。piecewise linear curves（分段线性函数），曲线也可以用piecewise linear curves来逼近。

5.2.Sigmoid Function

y = c * (1 / 1 + e ^ -(b + wx1))
w：改变斜率
b：左右移动
c：改变高度

神经网络原理
y = b + ∑c * (1 / 1 + e ^ -(b + wx1)) ci,bi,wi (通过多个sigmoid函数来相加生成piecewise linear curves )
y = b + ∑c * (1 / 1 + e ^ -(b + ∑wx)) ci,bi,wij,xj (通过多个sigmoid函数来相加生成piecewise linear curves ) 这个式子可以推出神经网络
根据式子推到神经网络
将式子矩阵化1
将式子矩阵化2

5.2.1Training过程矩阵版

1.Function with unknown Parameters
上图的矩阵式子
2.Define Loss from Training Data
L（θ） θ 是所有的 Unknown parameters
3.Optimization
图片四
g ：gradient ：梯度
batch 把资料分为多个batch，用小batch 来更新参数。一个epoch是把所有的batch过一遍的结果。
图片五