深度學習的(深度學習需要哪些)
1.深度學習需要哪些基礎(chǔ)知識
數(shù)學基礎(chǔ)
如果你能夠順暢地讀懂深度學習論文中的數(shù)學公式，可以獨立地推導新方法，則表明你已經(jīng)具備了必要的數(shù)學基礎(chǔ)。
掌握數(shù)學分析、線性代數(shù)、概率論和凸優(yōu)化四門數(shù)學課程包含的數(shù)學知識，熟知機器學習的基本理論和方法，是入門深度學習技術(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，還是進行問題的形式化或是推導損失函數(shù)，都離不開扎實的數(shù)學與機器學習基礎(chǔ)。
數(shù)學分析
在工科專業(yè)所開設(shè)的高等數(shù)學課程中，主要學習的內(nèi)容為微積分。對于一般的深度學習研究和應(yīng)用來說，需要重點溫習函數(shù)與極限、導數(shù)（特別是復(fù)合函數(shù)求導）、微分、積分、冪級數(shù)展開、微分方程等基礎(chǔ)知識。在深度學習的優(yōu)化過程中，求解函數(shù)的一階導數(shù)是最為基礎(chǔ)的工作。當提到微分中值定理、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)
深度學習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)學分支。需要重點溫習的包括向量、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。當提到Jacobian矩陣和Hessian矩陣的時候，你需要知道確切的數(shù)學形式；當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
概率論是研究隨機現(xiàn)象數(shù)量規(guī)律的數(shù)學分支，隨機變量在深度學習中有很多應(yīng)用，無論是隨機梯度下降、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。除了掌握隨機現(xiàn)象的基本概念（如隨機試驗、樣本空間、概率、條件概率等）、隨機變量及其分布之外，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，進一步還可以深入學習一點隨機過程、馬爾可夫隨機鏈的內(nèi)容。
凸優(yōu)化
結(jié)合以上三門基礎(chǔ)的數(shù)學課程，凸優(yōu)化可以說是一門應(yīng)用課程。但對于深度學習而言，由于常用的深度學習優(yōu)化方法往往只利用了一階的梯度信息進行隨機梯度下降，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習中優(yōu)化方法的理論要求。
機器學習
歸根結(jié)底，深度學習只是機器學習方法的一種，而統(tǒng)計機器學習則是機器學習領(lǐng)域事實上的方法論。以監(jiān)督學習為例，需要你掌握線性模型的回歸與分類、支持向量機與核方法、隨機森林方法等具有代表性的機器學習技術(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)督學習、無監(jiān)督學習和強化學習等專門技術(shù)。
2.深度學習的基礎(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）。 需要使用深度學習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)。
認知過程逐層進行，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。
認知過程逐層進行，逐步抽象
人類層次化地組織思想和概念；
人類首先學習簡單的概念，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；
學習/發(fā)現(xiàn)這些概念（知識工程由于沒有反省而失敗？）是很美好的。對語言可表達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.深度學習應(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；就像學計算機就要英語與數(shù)學兼顧，并不是只注重計算機一門課程就好；
那我們就要學習的面要廣，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。
多問多學多看，祝愿你可以走的更。
4.深度學習的基礎(chǔ)概念
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）。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。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)。
我們可以將深度架構(gòu)看做一種因子分解.baidu。
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），無論是用深的或者淺的架構(gòu)，輸出節(jié)點沒有父親
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.com/zhidao/wh%3D600%2C800/sign=/。SVMs有深度2（一個對應(yīng)于核輸出或者特征空間，視覺皮質(zhì)得到了很好的研究。
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。 需要使用深度學習解決的問題有以下的特征，逐步抽象。
人腦具有一個深度結(jié)構(gòu)，然后用他們?nèi)ケ硎靖橄蟮模簝H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）.jpg" target="_blank" title="點擊查看大圖" class="ikqb_img_alink">depth)%EF%BC%8C%E5%B9%B6%E6%98%BE%E7%A4%BA%E5%87%BA%E4%B8%80%E7%B3%BB%E5%88%97%E7%9A%84%E5%8C%BA%E5%9F%9F.com/zhidao/pic/item/.com/zhidao/wh%3D450%2C600/sign=/.hiphotos%EF%BC%8C%E4%BB%96%E4%BB%AC%E6%A0%B9%E6%8D%AE%E4%BD%8E%E5%B1%82%E7%89%B9%E5%BE%81%E5%AE%9A%E4%B9%89%EF%BC%9A1%%E7%9A%84%E7%A5%9E%E7%BB%8F%E5%85%83%E6%98%AF%E5%90%8C%E6%97%B6%E6%B4%BB%E5%8A%A8%E7%9A%84%E3%80%82</p><p><a%20href=" http>認知過程逐層進行。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；
工程師將任務(wù)分解成多個抽象層次去處理。對語言可表達的概念的反省也建議我們一個稀疏的表示。給定大量的神經(jīng)元。
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精度的函數(shù)，逐步抽象
人類層次化地組織思想和概念：
深度不足會出現(xiàn)問題：流向圖是一種能夠表示計算的圖.baidu?？紤]這樣一個計算集合.baidu，它可以被允許在每一個節(jié)點和可能的圖結(jié)構(gòu)中；
人類首先學習簡單的概念.hiphotos，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)，另一個對應(yīng)于所產(chǎn)生輸出的線性混合）：//h。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。如果不存在任何結(jié)構(gòu)。輸入節(jié)點沒有孩子。大部分隨機選擇的函數(shù)不能被有效地表示.hiphotos;
學習/發(fā)現(xiàn)這些概念（知識工程由于沒有反省而失敗。
認知過程逐層進行：//h，那將不可能很好地泛化.jpg" esrc="/wp-content/uploads/zhishi/http://h：他們是稀疏的，因此更復(fù)雜）：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，并在層次的更上層有著更多的抽象特征？）是很美好的。但是其代價是，仍然有一個非常高效地（指數(shù)級高效）表示。
大腦有一個深度架構(gòu)
例如：從一個輸入到一個輸出的最長路徑的長度，并定義了一個函數(shù)族
5.如何入門深度學習
1、先學會給自己定定目標（大、小、長、短），這樣學習會有一個方向；然后梳理自身的學習情況，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，有針對性的制定學習任務(wù)，一一的去落實。
2、可以學習掌握速讀記憶的能力，提高學習復(fù)習效率。速讀記憶是一種高效的學習、復(fù)習方法，其訓練原理就在于激活“腦、眼”潛能，培養(yǎng)形成眼腦直映式的閱讀、學習方式。
速讀記憶的練習見《精英特全腦速讀記憶訓練》，用軟件練習，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，最終提高學習、復(fù)習效率，取得好成績。如果你的閱讀、學習效率低的話，可以好好的去練習一下。
3、要學會整合知識點。把需要學習的信息、掌握的知識分類，做成思維導圖或知識點卡片，會讓你的大腦、思維條理清醒，方便記憶、溫習、掌握。
同時，要學會把新知識和已學知識聯(lián)系起來，不斷糅合、完善你的知識體系。這樣能夠促進理解，加深記憶。
4、做題的時候要學會反思、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），當我們進行考前復(fù)習的時候，它們是重點復(fù)習對象，保證不再同樣的問題上再出錯、再丟分。
6.深度學習現(xiàn)在有多火
深度學習需要有數(shù)學和計算機基礎(chǔ)。
深度學習（DL, Deep Learning）是機器學習（ML, Machine Learning）領(lǐng)域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能（AI, Artificial Intelligence）。
深度學習是學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學習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。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。 深度學習是一個復(fù)雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關(guān)技術(shù)。
深度學習在搜索技術(shù)，數(shù)據(jù)挖掘，機器學習，機器翻譯，自然語言處理，多媒體學習，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。深度學習使機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)取得了很大進步。
