深度學習最近這幾年炒的特別熱，而且在計算機視覺方面應用廣泛，故而決定學習了解一波。
那麼，第乙個問題就來了，什麼是機器學習？哇咔咔，這個光看名字就知道了，就是讓機器具有人類不斷學習的能力，並且解決我們現有的一些問題。先來說幾個簡單的概念：
特徵：就是物體的屬性，我們人類經過學習之後，可以很快的將簡單的特徵抽象出來，可是計算機不行啊，他又不能理解我們的語言，所以，我們就需要將特徵抽象化，最終以數值的形式描述出來 。
模型：這個也很好理解，數學中的單值函式大家都學過吧，給乙個輸入，經過函式的關係對映之後，會產生乙個輸出。在機器學習中，這個輸入就是我們提取出來的特徵，關係對映在這裡指的就是模型。
函式經過之後，會最終產生乙個結果，那麼這個結果對不對呢？如果有答案的話，我們就可以根據答案判斷對錯，那如果沒有固定的乙個正確答案呢？大家可以想想，這個就正好對應了機器學習的常見三種學習方式，分別是：監督學習、非監督學習、增強學習。
監督學習：給乙個輸入，在已知最終結果的情況下，產生乙個輸出，將輸出與最終的答案做比較，如果一樣的話，標明模型良好，如果不一樣的話，可以根據最終結果適當的調整模型，使得輸出與最終的答案一致，這樣模型就是在輸入輸出的「監督」下不斷的學習的，這就是監督學習。
非監督學習：在現有的條件下，其實許多東西都並沒有標準答案，即使我們通過神經網路去訓練，最終我們也不知道結果正不正確，只能通過很多方法結合區輔助判斷結果的正確程度，所以叫做非監督學習。
增強學習：這個與之前兩個不同，模型返回輸出之後，乙個外部的環境會對模型返回的輸出做出響應，並返回兩個結果。
1.返回乙個獎勵，這個獎勵和監督學習不同，不直接衡量模型與最終結果的差距，而是以一種獎勵的方法返回，如果
表現好，獎勵就大，反之則小。
2.環境會返回乙個新的輸入，模型會對這個新的輸入開始新一輪的響應。
特徵工程：通過一些操作，將原始的特徵轉換成更容易被處理的特徵。
深層模型：看名字就知道了，這個模型經過的步驟肯定特別的繁瑣，就像我們平時做數學題一樣，有的題答案很簡單，但是有的就很複雜，需要推論很多次最終才能演算法答案，那麼我們在做很簡單的數學題的過程，就相當於乙個淺層網路，反之，就是乙個深層的模型，深層模型現在主要有兩個難以解決的問題
：1.模型的深度越深，就變得更加的靈活，其中包含的引數就更多，想要訓練乙個這樣的模型，需要大量的資料量。
2.模型的複雜度成倍的增長，導致模型在訓練的過程中變得 不可控。
但是深層模型也有優點
啊：並不需要設計演算法，每乙個層次產生的計算方式了能難以理解，難以描述，但是它確實反應當前資料的特點，它可以很好的適配資料，所以只要訓練充分就變得異常優秀了。
最後的最後，總結一波深度學習的優點：
Python之深度學習入門
1 python語言的特點 是乙個簡單 易讀 易記的程式語言，而且是開源的，可以自由使用，可以用類似英語的語法編寫程式，編譯起來並不費力，此外，python不僅可以寫出可讀性高的 還可以寫出效能高 處理速度快 的 在需要處理大規模資料或者要求快速響應的情況下可以穩妥完成。2 學習深度學習主要使用的外...
Shader之小白入門學習五
先實現乙個只有顏色屬性可調節的簡單材質效果，如下圖所示 模型可隨便找乙個，預設的幾何體也可以，在材質面板中只有乙個顏色屬性，當我們點開拾色器時，對應的模型也會自動發生變化。我們就用之前的myfirstshader來完善。在乙個shader中，可以有多個subshader以及乙個subshader中也...
深度學習入門之PytoRch 一 深度學習發展歷史
2 學習本書之前建議 我們一提到人工智慧就會想到機械人，其實機械人只是人工智慧的容器，沒有這個容器也是可以的，可以將人工智慧分為三個方面 1 弱人工智慧 比如戰勝全世界的al phago,它只會下象棋，但是辨識一下貓和狗的話，他就不知道怎麼做 2 強人工智慧 就是人類能幹的腦力活動，它全部都能幹 3...