這段時間以來，一直在學習深度學習機器學習，但總感覺走不進去，有好多基本理論要學習，深度學習有好多框架，例如一些TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon，如果想了解一些框架的對於，可以關注這個部落格。（借用博主的）我自己學的是tensorflow，雖然看了很多的東西，也照著敲了很多程式碼，但感覺還是少點什麼，於是乎，就在此總結一下自己最近的一個小白歷程：

所有機器學習（深度學習）的基本思路如下：

1.首先需要準備大量的資料（需要機器來學習），獲取資料的方法（也稱資料採集），可以通過爬蟲來進行獲取，也可以在網上尋找資料（購買）。獲取資料後，還需要進行資料分析和資料清洗，獲取的資料可能存在缺失值，並且可能不是你想要的格式，需要修改，在這裡需要用的一些技術（python的numpy和pandas（對於資料的處理和分析，這是python自帶的強大的庫，學習機器學習這些也是一個基礎））。資料準備好以後還要進行整理，需要有訓練集和測試集（還可以有驗證集）。每一個訓練集元素都會有一個對應的標籤，這樣為了演算法的優化。

2.接下來就要構建模型，構建模型也就是一個訓練演算法。訓練演算法有線性的和非線性，最開始入門都會學到一個最小二乘法，但由於計算量過大，一般不會使用。作為基礎瞭解就好。如果有需要可以參考這裡。使用最多的是SGD（隨機梯度下降）。

3.使用訓練集進行訓練，進行誤差判斷，構建損失函式，不斷優化演算法，直到正確率達到最高。

4.在使用測試集進行學習器的泛化效能評估，評估方法一般包括三個：留出法，交叉驗證法，自助法。

5.不僅要對這個學習器進行評估，還需要有衡量模型泛化能力的評價標準，也就是效能度量，常用方法：錯誤率與精度、查準率和查全率、ROC（受試者工作特徵）/AUC（ROC曲線下的面積）、代價敏感錯誤率和代價曲線。

好了，不在廢話，開始最基本的程式碼：（程式碼是照著敲寫的，主要是進行思路整理）

（1）呼叫模組，在這裡有一個程式碼，是有關MNIST的資料的使用，你可以選擇呼叫這個程式碼。也可以直接貼程式碼：（在這裡，）

（2）構建迴歸模型：定義x,y進行資料的輸入（申請佔位符），手寫體的畫素灰度為784，設定變數權重和偏置，並對變數進行初始化

（3）對權重和偏置進行初始化，使用卷積和池化

（4）進行卷積和全連線，兩層卷積，每一個函式都在程式碼後有相應的解釋。

（5）輸出層：

（6）訓練資料和進行模型評估：

簡單總結一下：在資料的輸入輸出中，選擇合適的演算法，能使得資料結果更接近真實的答案，因此就需要不斷地優化演算法，增加合適的神經元，增加多層的卷積層（卷積，池化等一些方式），選擇一些合適的激勵函式。不斷進行訓練學習，讓正確率提高。