這一周挺忙的，要準備英語6級，我僅粗略的感受了一些名詞概念，下面我分層次說一說我對機器學習，深度學習，神經網路和卷積神經網路的理解。
機器學習有兩大類任務regression(回歸）和classification(分類)
當然還有很多任務，generation生成更複雜的東西，就是讓機器學習創造新東西。
機器學習就像是乙個函式：f（內容）=輸出 內容可以是很多東西，比如等等，輸出就是內容經過函式變化後的東西，可以是一段句子，一張，乙個數字等等。
那這個f 該怎麼編輯呢？不同於c或c++，c和c++中的f都是我們自己預先編輯好程式的執行步驟和規則。機器學習中的f是機器自己學來的。可以通過supervised learning（有監督學習）的方式，通過給機器訓練，讓機器自己找這個f，就是給機器大量訓練資料，比如加標籤的形式，提供給機器有標籤的資料讓它自己學習找最優最接近的f。機器在找最接近的f時會評估乙個f的好壞，就是損失函式，類似於咱們概統中學的那些最大似然函式。損失函式（loss）越小，f越優。機器會自動找出損失函式最小的f。
還有reinforce learning(增強學習）就是機器在實踐的過程中不斷的反饋調節f，讓f越來越優。
還有unsupervised learning（無監督學習）就是給機器一些訓練資料，但是沒有標籤。
深度學習包含於機器學習，也就是說深度學習一定是機器學習，機器學習不一定是深度學習。深度學習是從資料中學習表示的一種框架。
它強調從連續的層（layer）中學習。所謂深度就是一系列的層，深度有多深就是這些層數。這些層都是從訓練資料中自動學習的。層數比較少的，比如一兩層的稱為淺層學習。
舉乙個書上的例子，數字識別：
輸入一張（上面有個手寫數字）–>經過第一層layer–>第二層–>第n層–>最終輸出。
可以將深度網路看作多級資訊蒸餾操作，每經過一層，所包含的資訊就越豐富，一層層下去直至得出結果。
深度學習就是一種資料處理，每經過乙個層，其資料就被過濾精細化。
每一層有個權重，每一層對資料所作的操作體現在權重裡，這些操作本質上是一串數字，因為計算機只有0和1嘛。
學習的意思就是為所有的層找到權重值，這些所有的權重值組合在一起就相當於乙個非常複雜的函式f。
通過損失函式作為反饋調節各組權重值，直至各組權重值組成的函式能比較準確的解決問題。
神經網路的基本資料結構是層，層是乙個資料處理模組，將乙個或多個輸入張量轉化為乙個或多個輸出張量。
神經網路是層構成的。
可以解決一些二分類，多分類問題。
卷積神經網路是計算機視覺應用幾乎都在使用的一種深度學習模型。
卷積神經網路與普通神經網路的區別在於，卷積神經網路包含乙個由卷積層和池化層構成的特徵提取器。卷積和池化簡化了模型，減少了模型的引數。
卷積神經網路由三部分構成。第一部分是輸入層。第二部分由n個卷積層和池化層的組合組成。第三部分由乙個全連線的多層感知機分類器構成。
卷積神經網路 我暫時把他理解成乙個很複雜很高維的函式，有輸入，有輸出。因為聽說cnn常常被用在影像處理上，所以它的輸入通常是個影象，影象一次次通過layer，每一次通過layer資訊就被提取，影象中的資訊就被一次次的提取，就像個過濾器原理一樣。
cnn要比dnn更簡單
一周學習小結（2）
通過閱讀那篇文章，又理解了很多cnn的知識。影象在計算機中是一堆按順序排列的數字，可以用個正方形矩陣表示，每個點的值為0 255.0最暗，255最亮。彩色圖由3個矩陣疊加而成。cnn具有滿足畫面不變性的特點，目標的平移，旋轉，大小，和明暗，應該盡可能不影響判定。cnn就是讓權重在不同位置共享的神經網...
Python一周學習的小結
eoc 簡單優雅 沒有嚴格的靜態型別 基礎語法格式啥的就不講了,懂的人自然懂 python中基礎的資料結構有這麼幾個 上面這些資料結構有什麼特點,怎麼產生,怎麼使用 怎麼訪問 list list 的元素可以是不同的型別,也可以內部巢狀list l item 1 item 2 1,2,inner 1 ...
一周工作小結
一連幾天都比較忙，前天和老許一起去了學校，看了看羅捷小組的專案，然後我們就在邊上偷笑，發現和我們還是有段距離的，hoho。中午在重慶雞功煲吃的，我的本意是要請羅捷吃頓的，他畢竟幫了我們滿大的乙個忙，可是怎麼拉他都不去，那也只好算了，下午又和泡泡，老許去游泳。這個泡泡真是差點氣 死我。交給我的詳細設計...