深度學(xué)習(xí)相關(guān)(深度學(xué)習(xí)需要哪些)
1.深度學(xué)習(xí)需要哪些基礎(chǔ)知識
數(shù)學(xué)基礎(chǔ)
如果你能夠順暢地讀懂深度學(xué)習(xí)論文中的數(shù)學(xué)公式，可以獨立地推導(dǎo)新方法，則表明你已經(jīng)具備了必要的數(shù)學(xué)基礎(chǔ)。
掌握數(shù)學(xué)分析、線性代數(shù)、概率論和凸優(yōu)化四門數(shù)學(xué)課程包含的數(shù)學(xué)知識，熟知機(jī)器學(xué)習(xí)的基本理論和方法，是入門深度學(xué)習(xí)技術(shù)的前提。因為無論是理解深度網(wǎng)絡(luò)中各個層的運算和梯度推導(dǎo)，還是進(jìn)行問題的形式化或是推導(dǎo)損失函數(shù)，都離不開扎實的數(shù)學(xué)與機(jī)器學(xué)習(xí)基礎(chǔ)。
數(shù)學(xué)分析
在工科專業(yè)所開設(shè)的高等數(shù)學(xué)課程中，主要學(xué)習(xí)的內(nèi)容為微積分。對于一般的深度學(xué)習(xí)研究和應(yīng)用來說，需要重點溫習(xí)函數(shù)與極限、導(dǎo)數(shù)（特別是復(fù)合函數(shù)求導(dǎo)）、微分、積分、冪級數(shù)展開、微分方程等基礎(chǔ)知識。在深度學(xué)習(xí)的優(yōu)化過程中，求解函數(shù)的一階導(dǎo)數(shù)是最為基礎(chǔ)的工作。當(dāng)提到微分中值定理、Taylor公式和拉格朗日乘子的時候，你不應(yīng)該只是感到與它們似曾相識。
線性代數(shù)
深度學(xué)習(xí)中的運算常常被表示成向量和矩陣運算。線性代數(shù)正是這樣一門以向量和矩陣作為研究對象的數(shù)學(xué)分支。需要重點溫習(xí)的包括向量、線性空間、線性方程組、矩陣、矩陣運算及其性質(zhì)、向量微積分。當(dāng)提到Jacobian矩陣和Hessian矩陣的時候，你需要知道確切的數(shù)學(xué)形式；當(dāng)給出一個矩陣形式的損失函數(shù)時，你可以很輕松的求解梯度。
概率論
概率論是研究隨機(jī)現(xiàn)象數(shù)量規(guī)律的數(shù)學(xué)分支，隨機(jī)變量在深度學(xué)習(xí)中有很多應(yīng)用，無論是隨機(jī)梯度下降、參數(shù)初始化方法（如Xavier），還是Dropout正則化算法，都離不開概率論的理論支撐。除了掌握隨機(jī)現(xiàn)象的基本概念（如隨機(jī)試驗、樣本空間、概率、條件概率等）、隨機(jī)變量及其分布之外，還需要對大數(shù)定律及中心極限定理、參數(shù)估計、假設(shè)檢驗等內(nèi)容有所了解，進(jìn)一步還可以深入學(xué)習(xí)一點隨機(jī)過程、馬爾可夫隨機(jī)鏈的內(nèi)容。
凸優(yōu)化
結(jié)合以上三門基礎(chǔ)的數(shù)學(xué)課程，凸優(yōu)化可以說是一門應(yīng)用課程。但對于深度學(xué)習(xí)而言，由于常用的深度學(xué)習(xí)優(yōu)化方法往往只利用了一階的梯度信息進(jìn)行隨機(jī)梯度下降，因而從業(yè)者事實上并不需要多少“高深”的凸優(yōu)化知識。理解凸集、凸函數(shù)、凸優(yōu)化的基本概念，掌握對偶問題的一般概念，掌握常見的無約束優(yōu)化方法如梯度下降方法、隨機(jī)梯度下降方法、Newton方法，了解一點等式約束優(yōu)化和不等式約束優(yōu)化方法，即可滿足理解深度學(xué)習(xí)中優(yōu)化方法的理論要求。
機(jī)器學(xué)習(xí)
歸根結(jié)底，深度學(xué)習(xí)只是機(jī)器學(xué)習(xí)方法的一種，而統(tǒng)計機(jī)器學(xué)習(xí)則是機(jī)器學(xué)習(xí)領(lǐng)域事實上的方法論。以監(jiān)督學(xué)習(xí)為例，需要你掌握線性模型的回歸與分類、支持向量機(jī)與核方法、隨機(jī)森林方法等具有代表性的機(jī)器學(xué)習(xí)技術(shù)，并了解模型選擇與模型推理、模型正則化技術(shù)、模型集成、Bootstrap方法、概率圖模型等。深入一步的話，還需要了解半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等專門技術(shù)。
2.深度學(xué)習(xí)的基礎(chǔ)概念
從一個輸入中產(chǎn)生一個輸出所涉及的計算可以通過一個流向圖（flow graph）來表示：流向圖是一種能夠表示計算的圖，在這種圖中每一個節(jié)點表示一個基本的計算并且一個計算的值（計算的結(jié)果被應(yīng)用到這個節(jié)點的孩子節(jié)點的值）?？紤]這樣一個計算集合，它可以被允許在每一個節(jié)點和可能的圖結(jié)構(gòu)中，并定義了一個函數(shù)族。輸入節(jié)點沒有孩子，輸出節(jié)點沒有父親。
這種流向圖的一個特別屬性是深度（depth）：從一個輸入到一個輸出的最長路徑的長度。
傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)能夠被看做擁有等于層數(shù)的深度（比如對于輸出層為隱層數(shù)加1）。SVMs有深度2（一個對應(yīng)于核輸出或者特征空間，另一個對應(yīng)于所產(chǎn)生輸出的線性混合）。 需要使用深度學(xué)習(xí)解決的問題有以下的特征：
深度不足會出現(xiàn)問題。
人腦具有一個深度結(jié)構(gòu)。
認(rèn)知過程逐層進(jìn)行，逐步抽象。
深度不足會出現(xiàn)問題
在許多情形中深度2就足夠表示任何一個帶有給定目標(biāo)精度的函數(shù)。但是其代價是：圖中所需要的節(jié)點數(shù)（比如計算和參數(shù)數(shù)量）可能變的非常大。理論結(jié)果證實那些事實上所需要的節(jié)點數(shù)隨著輸入的大小指數(shù)增長的函數(shù)族是存在的。
我們可以將深度架構(gòu)看做一種因子分解。大部分隨機(jī)選擇的函數(shù)不能被有效地表示，無論是用深的或者淺的架構(gòu)。但是許多能夠有效地被深度架構(gòu)表示的卻不能被用淺的架構(gòu)高效表示。一個緊的和深度的表示的存在意味著在潛在的可被表示的函數(shù)中存在某種結(jié)構(gòu)。如果不存在任何結(jié)構(gòu)，那將不可能很好地泛化。
大腦有一個深度架構(gòu)
例如，視覺皮質(zhì)得到了很好的研究，并顯示出一系列的區(qū)域，在每一個這種區(qū)域中包含一個輸入的表示和從一個到另一個的信號流（這里忽略了在一些層次并行路徑上的關(guān)聯(lián)，因此更復(fù)雜）。這個特征層次的每一層表示在一個不同的抽象層上的輸入，并在層次的更上層有著更多的抽象特征，他們根據(jù)低層特征定義。
需要注意的是大腦中的表示是在中間緊密分布并且純局部：他們是稀疏的：1%的神經(jīng)元是同時活動的。給定大量的神經(jīng)元，仍然有一個非常高效地（指數(shù)級高效）表示。
認(rèn)知過程逐層進(jìn)行，逐步抽象
人類層次化地組織思想和概念；
人類首先學(xué)習(xí)簡單的概念，然后用他們?nèi)ケ硎靖橄蟮模?/p>
工程師將任務(wù)分解成多個抽象層次去處理；
學(xué)習(xí)/發(fā)現(xiàn)這些概念（知識工程由于沒有反省而失?。浚┦呛苊篮玫?。對語言可表達(dá)的概念的反省也建議我們一個稀疏的表示：僅所有可能單詞/概念中的一個小的部分是可被應(yīng)用到一個特別的輸入（一個視覺場景）。
3.深度學(xué)習(xí)應(yīng)該怎么入門
總是說由淺入深，許多專業(yè)并不是專精一科就行，其中有許多的知識還涉及到別的專業(yè)知識。如果想要專精一科的話，由這一科聯(lián)系到的知識也應(yīng)該多涉及一些；就像學(xué)計算機(jī)就要英語與數(shù)學(xué)兼顧，并不是只注重計算機(jī)一門課程就好；
那我們就要學(xué)習(xí)的面要廣，大致的知識面要都涉及一些；用的時候知道怎么可以找到。
基礎(chǔ)的知識是必備的，扎實的基礎(chǔ)是往后發(fā)展的前提，許多基礎(chǔ)知識的用處是很重要的！基礎(chǔ)扎實了可以避免走很多彎路。根基穩(wěn)固則一路通途。
再就是理論與實際相結(jié)合，很多理論上的東西在實際操作時候并不能全部體現(xiàn)，所以可以借鑒，也要多實踐操作下，反復(fù)印證。
多問多學(xué)多看，祝愿你可以走的更。
4.如何入門深度學(xué)習(xí)
1、先學(xué)會給自己定定目標(biāo)（大、小、長、短），這樣學(xué)習(xí)會有一個方向；然后梳理自身的學(xué)習(xí)情況，找出自己掌握的薄弱環(huán)節(jié)、存在的問題、容易丟分的知識點；再者合理的分配時間，有針對性的制定學(xué)習(xí)任務(wù)，一一的去落實。
2、可以學(xué)習(xí)掌握速讀記憶的能力，提高學(xué)習(xí)復(fù)習(xí)效率。速讀記憶是一種高效的學(xué)習(xí)、復(fù)習(xí)方法，其訓(xùn)練原理就在于激活“腦、眼”潛能，培養(yǎng)形成眼腦直映式的閱讀、學(xué)習(xí)方式。
速讀記憶的練習(xí)見《精英特全腦速讀記憶訓(xùn)練》，用軟件練習(xí)，每天一個多小時，一個月的時間，可以把閱讀速度提高5、6倍，記憶力、理解力等也會得到相應(yīng)的提高，最終提高學(xué)習(xí)、復(fù)習(xí)效率，取得好成績。如果你的閱讀、學(xué)習(xí)效率低的話，可以好好的去練習(xí)一下。
3、要學(xué)會整合知識點。把需要學(xué)習(xí)的信息、掌握的知識分類，做成思維導(dǎo)圖或知識點卡片，會讓你的大腦、思維條理清醒，方便記憶、溫習(xí)、掌握。
同時，要學(xué)會把新知識和已學(xué)知識聯(lián)系起來，不斷糅合、完善你的知識體系。這樣能夠促進(jìn)理解，加深記憶。
4、做題的時候要學(xué)會反思、歸類、整理出對應(yīng)的解題思路。遇到錯的題（粗心做錯也好、不會做也罷），最好能把這些錯題收集起來，每個科目都建立一個獨立的錯題集（錯題集要歸類），當(dāng)我們進(jìn)行考前復(fù)習(xí)的時候，它們是重點復(fù)習(xí)對象，保證不再同樣的問題上再出錯、再丟分。
5.深度學(xué)習(xí)現(xiàn)在有多火
深度學(xué)習(xí)需要有數(shù)學(xué)和計算機(jī)基礎(chǔ)。
深度學(xué)習(xí)（DL, Deep Learning）是機(jī)器學(xué)習(xí)（ML, Machine Learning）領(lǐng)域中一個新的研究方向，它被引入機(jī)器學(xué)習(xí)使其更接近于最初的目標(biāo)——人工智能（AI, Artificial Intelligence）。
深度學(xué)習(xí)是學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學(xué)習(xí)過程中獲得的信息對諸如文字，圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。它的最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。 深度學(xué)習(xí)是一個復(fù)雜的機(jī)器學(xué)習(xí)算法，在語音和圖像識別方面取得的效果，遠(yuǎn)遠(yuǎn)超過先前相關(guān)技術(shù)。
深度學(xué)習(xí)在搜索技術(shù)，數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，機(jī)器翻譯，自然語言處理，多媒體學(xué)習(xí)，語音，推薦和個性化技術(shù)，以及其他相關(guān)領(lǐng)域都取得了很多成果。深度學(xué)習(xí)使機(jī)器模仿視聽和思考等人類的活動，解決了很多復(fù)雜的模式識別難題，使得人工智能相關(guān)技術(shù)取得了很大進(jìn)步。
6.搞懂深度學(xué)習(xí)到底需要哪些數(shù)學(xué)知識
關(guān)于數(shù)學(xué)基礎(chǔ)有的同學(xué)有數(shù)學(xué)基礎(chǔ)，但是缺乏 C++/Python 編程語言；有的同學(xué)沒有數(shù)學(xué)基礎(chǔ)，是否可以學(xué)？數(shù)學(xué)基礎(chǔ)需要到什么程度？如果提前學(xué)習(xí)是否有資料推薦？【回答】首先學(xué)習(xí)本門課程并不需要特別高的數(shù)學(xué)基礎(chǔ)，只需要掌握大學(xué)本科階段學(xué)習(xí)的高等數(shù)學(xué)、線性代數(shù)和概率論等課程。
雖然從應(yīng)用角度上來看：如果想要深入研究深度學(xué)習(xí)，比如完全自己實現(xiàn)不同結(jié)構(gòu)的網(wǎng)絡(luò)，設(shè)計網(wǎng)絡(luò)的層與參數(shù)最好能夠熟練運用矩陣?yán)碚撝械南嚓P(guān)工具，但是我相信如果職業(yè)道路規(guī)劃不是算法工程師，一般并不會深入到這一層面。對應(yīng)于不同應(yīng)用領(lǐng)域，還需要不同的數(shù)學(xué)工具，比如和圖像、信號識別相關(guān)的領(lǐng)域，圖形學(xué)等相關(guān)的基礎(chǔ)功底是必須要有的，但這個已經(jīng)是復(fù)雜的現(xiàn)實應(yīng)用問題了，并不在本門課程的教學(xué)范圍之內(nèi)，本門課程的應(yīng)用領(lǐng)域還是相對較為簡單的。
實際上，如果你是一個工科生，你會發(fā)現(xiàn)學(xué)習(xí)數(shù)學(xué)最難的地方就是不理解這些數(shù)學(xué)工具到底能幫助我們?nèi)ソ鉀Q什么問題，因為大學(xué)老師大多數(shù)都是數(shù)學(xué)專業(yè)老師，并不會從學(xué)生各自專業(yè)的角度來講解數(shù)學(xué)問題。但是當(dāng)你知道你需要用數(shù)學(xué)工具做什么，有一個明確目標(biāo)后，你會發(fā)現(xiàn)你的動力和學(xué)習(xí)能力將會有一個突破，你不會覺得這些數(shù)學(xué)知識是枯燥乏味的。
因此哪怕你的數(shù)學(xué)基礎(chǔ)相對薄弱，有一個明確的目的，再去補(bǔ)充這些數(shù)學(xué)知識，相信學(xué)員自己一定能解決這個問題。數(shù)學(xué)也絕對不是學(xué)習(xí)這門課的障礙，但是如果你想以其作為職業(yè)，去打好這個數(shù)學(xué)的底子是不可或缺的。
最后，如果你是數(shù)學(xué)專業(yè)，或者覺得自己數(shù)學(xué)很好的學(xué)生，你們也更不用擔(dān)心不會 1、2 門語言，因為計算機(jī)語言只是一種工具，最關(guān)鍵的還是訓(xùn)練自己的思維，這種思維的核心就是數(shù)學(xué)和算法。如果你數(shù)學(xué)很好，學(xué)習(xí)這些語言是很快的，而且本門課程中除了最后的 C++ 開發(fā)，也不會應(yīng)用到什么特別的語法特性。
但是另一方面也不要忽視學(xué)習(xí)好這些工具的重要性，只是希望學(xué)生自己能夠權(quán)衡。對數(shù)學(xué)好的同學(xué)來說，可能最致命的是一個誤區(qū)，因為計算機(jī)的基礎(chǔ)是數(shù)學(xué)，所以完全使用數(shù)學(xué)思維去解決計算機(jī)問題是沒問題的，我這里只能說計算機(jī)有自己的思維模式，哪怕是那些基于數(shù)學(xué)原理的算法問題，所以數(shù)學(xué)專業(yè)的同學(xué)必須要學(xué)會認(rèn)識到這種思維的差異并學(xué)會使用計算機(jī)的思維來解決問題，而機(jī)器學(xué)習(xí)則是計算機(jī)思維的一個典型代表，這個將會在課程中具體討論。
至于需要的數(shù)學(xué)基礎(chǔ)，肯定是希望同學(xué)能夠?qū)W習(xí)高等數(shù)學(xué)中的微積分，線性代數(shù)和概率論的相關(guān)知識，對于沒有實際編程經(jīng)驗的學(xué)生則推薦深入學(xué)習(xí)一下離散數(shù)學(xué)（無關(guān)乎是否精于數(shù)學(xué)）。本門課程需要的數(shù)學(xué)基礎(chǔ)也就是這些了。
