系列文章索引 :
自學深度學習, 需要學習的內容太多, 很容易在中途放棄. 一套簡明, 友好的入門資料非常重要. 以下幾條是選書標準 :
面向深度學習中的計算機視覺, 有意識的迴避傳統的機器學習, 縮短入門路徑.
數學零基礎: 只要求一元函式求導, 多元函式偏微分, 矩陣乘法, 正態概率分布. 全部就這 4 項了, 沒有"等等"兩字.
使用盡可能少的數學符號, 盡可能避免複雜的公式巢狀. 數學符號應盡可能全書統一.
純 python, 不使用 tensorflow 和 pytorch 等框架.
使用同一套 python 類庫**, 同乙個**風格貫穿全書. 拒絕每一章都定義新的函式風格, 使用新的引數型別.
這三個資料都要到手, 要一起使用.
按1~3的順序快速通讀一遍, 不要求一遍讀懂, 有個印象, 知道相關知識點在**就可以.
這三個資料各有側重點, 學到某個知識點, 總有乙個資料講的比另乙個更詳細, 更通俗.
其中:python神經網路程式設計: 這本書使用大量的篇幅講解與函式導數相關的知識, 甚至達到囉嗦的程度. 對數學基礎薄弱同學來說, 簡直就是雪中送炭. 只需要非常少的數學知識就可以做出乙個 hello world 版的神經網路. 看這本書主要是為了建立信心.
深度學習入門-基於python的理論與實現: 這本書的反向傳播部分寫得非常好, 避開了枯燥的公式推導, 使用計算圖的形式, 用最少的腦細胞就說明了反向傳播的基本原理.
純 python 對於入門深度學習中的理論部分來說非常重要, 因為可以對自己推導的公式用**驗證. 缺點是 python **執行緩慢, 不適合模型驗證.
在實際的學習過程中, 建議配套 tensorflow 和 pytorch 一起學習, python 用於理解公式, 框架用於加速模型訓練, 快速檢視結果.
這兩個框架的資料太多了, 都很好.
有詳細講解框架中張量運算方法的資料是比較推薦的, 主要是方便與純 python **相互對比驗證. 這裡推薦兩本 :
肖智清 《神經網路與pytorch實戰》
張平 《**深度學習與神經網路:從張量到tensorflow實現**深度學習與神經網路》
框架學習首選 pytorch, 和 python 的整合度最好, 學習成本最低.
張平的 《**》 寫得非常好, 幾乎所有的數學公式都給出了配套的數字計算例子, 非常難得. 強烈推薦入手, 對於理解基礎理論非常有幫助.
另外, 非計算機專業, 轉行過來的同學, 需要補充:
python 3 教程.
numpy 教程
以上兩個都來自於 《菜鳥教程》 **. 足夠了, 起步階段學一半都夠了, 多了別學, 遇到不懂再補.
上面的推薦, 刻意的迴避了有關機器學習的內容, 主要是為了加快入門速度.
如果覺得某個知識點怎麼都看不懂, 應該是你缺失了某個關鍵前提知識點.
你可以略過不學, 也可以參考這 5 本作為補充 :
李航 《統計學習方法》
周志華 《機器學習》
ian, goodfellow 《深度學習》
諸葛越,葫蘆娃 《百面機器學習 演算法工程師帶你去面試》
猿輔導研究團隊 《深度學習核心技術與實踐》
深度學習之計算機視覺方向的知識結構
深度學習之計算機視覺方向的演算法工程師和研發人員的知識結構如下圖所示。其中深度學習框架部分可選一種入手。每個人的知識背景不一樣,有時間和精力可逐步按知識結構樹學習。希望快速入門的同學可在學習的過程中補充相關知識。最終學成還是需要整體的知識結構,特別是想進大廠的同學。大家在學習的過程中不要期望一遍就懂...
複試篇之計算機視覺
一 影象的空域處理是一種重要的影象處理技術,這類方法直接以影象的畫素操作為基礎,主要分為灰度變換和空域濾波兩大類。直方圖均衡化 histogram equalization 就是一種常用的灰度變換方法。中值濾波,均值濾波等屬於空域濾波。二 直方圖均衡化 如果一幅影象的灰度直方圖幾乎覆蓋了整個灰度的取...
計算機視覺 深度學習基礎
與神經網路的區別 傳統一般三層以內,深度可達上千層 傳統通常是全連線,深度形式多樣 共享權值,跨層的反饋等 目標函式 均方誤差 交叉熵 交叉熵能在深度學習模型下快速提高精度 為了避免交叉熵出現0,使用softmax層來突出最大值並轉換成概率 激勵函式 sigmoid relu 當神經元一層層疊加之後...