首先講一下我的經歷,本科,以前幹java後端的,深度學習實習兩個月,現在正式做深度學習快一年了,我之所以說這些就是要說明深度學習不是天書。順便駁斥那些所謂的大牛張口閉口高等數學,線性代數,凸優化之類的云云,我想說的是深度學習裡面用到的數學超過了60分水平了嗎?你們工作中真的天天求導,天天梯度下降嗎?今天我就用一片文章將深度學習講其大概

1.什麼是深度神經網路

舉一個列子:

你猜一下 K等於幾,你會猜9,為什麼?因為你發現x與y之間滿足y=2*x-1,就是x與y建立對映關係:f(x)=2*x-1

深度學習跟這個是一樣的,拿圖片識別舉例,就是要在圖片X和類別Y建立對映關係的到Y=F(X)就是要解出這個函式表示式。所有的深度學習都是要做這個.

這麼介紹深度學習,你肯定懂了吧!

2.怎麼解出這個表示式

我們以前肯定做過這樣的初中數學題:已知二次函式y=a*x^2+b*x+c,經過座標(-1,1)(0,1)(1,3),求表示式

我們的方法是將座標帶入建立方程組,求出a=1,b=1,c=1類比深度學習:二次函式就是模型,a,b,c就是權重引數

大量的樣本(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4),(X5,Y5),.....(Xn,Yn),這個樣本就是深度學習中的訓練樣本

按道理來說我們也可以用大量樣本(可能有1000萬,甚至更多)建立n個方程，然後解方程,但是這個方程引數很多(可能上億),方程很複雜,我們根本解不出來其中的引數,

於是一個深度學習概念"梯度下降法"就出場了,策略是:

首先隨機初始化所有引數，但是這個隨機初始化不正確啊,把X1,X2,X3,X4,X5帶入F(X)輸出不是Y1,Y2,Y3,Y4,Y5,產生誤差loss怎麼辦？我們是希望這個loss越小越好最好等於0,我們的問題就轉變為:如何讓這些隨機初始化的變數使得loss不斷減小直至接近0,這個方法就是梯度下降,這個loss就是深度學習中的損失函式,我們的任務就變成了：使用梯度下降讓loss不斷減小

3.什麼是梯度下降

簡而言之:朝著梯度的方向下降,能使loss減小,梯度就是導數(注意這裡用到高中數學了)

舉個例子:你站在一個山上,朝著最陡峭的地方向下走,就是最快的下山方式

我們拿一維舉例子:y=x^2

y=x²

隨機初始化x,按照x=x-α*f'(x) (α是步長)方式更新函式,x就能到達最底端

拿二維舉一個例子:z=x^2+y^2,是一個碗形，在碗壁上任意一點朝著梯度向下走，就一定能到達碗底部

對於loss損失函式,朝著他的梯度往下走是不是也能夠走到最小值,loss越小，是不是引數就越接近準確值

4.一句話總結神經網路:建立一個模型,來擬合大量的樣本,通過梯度下降法來解引數

5.真正工作中你大部分的時間是在處理樣本,解決過擬合,已經有大量的經典的神經網路模型可以使用,你要做的就是理解和會使用這些模型就夠了.就能解決很多業務需求

6.我能學會你也能,以下是課程安排（針對有工作經驗的程式設計師 北京）

一.python基礎知識

二.深度卷積網路基礎

1.卷積

2.什麼是激勵函式,作用,優缺點?

3.MaxPooling和AveragePooling

4.全連線層

5.損失函式

5.正則化懲罰

6.前向計算

7.反向傳播

8.更新引數方法:梯度下降

9.梯度消失與梯度爆炸

10.什麼是過擬合,欠擬合

11.如何解決過擬合問題

三.tensorflow,keras框架使用講解

四.分類網路

五.單標籤分類專案1

六.多標籤分類專案2

七.檢測網路Faster-RCNN原理

八.使用Faster-RCNN做物體檢測專案3

九.檢測網路YOLO原理

十.使用YOLO做物體檢測專案4

十一.fine-tuning

十二.不同框架之間的模型如何轉換

十三.面試

本套課程注重專案實際運用，深度學習在影象領域的應用基本有兩類任務：分類和檢測，我們的課程也是圍繞這兩項任務講解，只要掌握了以上所講就能找到一份不錯的工作，在工作中不斷積累經驗成為高水平的深度學習工程師

深度學習是目前實現AI最好的方式,深度學習工程師崗位需求量很大,從業人員稀缺,工資待遇比其他崗位高出很多,如果你想轉行，我們願意幫您,並且盡全力幫你面試成功.我們也是程式設計師，所以深知程式設計師工作不易,為了降低學習門檻.我們做出如下安排.

1.把時間壓縮到8天,一天8小時,集中突破問題,效果立竿見影

2.學費壓縮到只有別人的1/3（很低）

3.我們的講師多年深度學習工作經驗,專案經驗豐富

4.我們做事負責任,包教包會,教會為止,必須教會你

5.自學效果慢,容易走彎路,出了問題沒人解決

第三期培訓即將開班,歡迎報名,我們是你AI之路的引路人

qq:2428206756 微信:zhzhy1688