动手学深度学习（PyTorch版）- 【读书活动-心得分享】第一章 视频学习
本帖最后由 御坂10032号 于 2024-9-16 02:52 编辑在上一个章节学习深度的时候, 并不是跟着视频学习的. 后来在阅读的时候发现很多点都很难懂, 然后发现了一个更好的方式. 通过观看BILIBILI的视频,然后使用书进行review是一个更好的方法. 那么从本章节开始起,我将使用markdown进行笔记的记录.
在[视频01](https://www.bilibili.com/video/BV1if4y147hS/?spm_id_from=333.999.0.0&vd_source=fa81ee8dac5a78e9ccb692c6642f6fe2) 主要是介绍了深度学习这本书的适用对象,和之前的发布历程
--
那么接下来我们来学习(https://www.bilibili.com/video/BV1oX4y137bC/?spm_id_from=333.999.0.0&vd_source=fa81ee8dac5a78e9ccb692c6642f6fe2) 介绍了深度学习的发展历程以及什么深度学习框架会包含在当前的课程中
在课程中不仅包括深度学习的相关知识,同时还是涉及到机器学习的相关算法, 而对于用户如果有机器学习的基础最好, 如果没有的话也可以跟着这门课进行学习. 因为导师会在课程中进行讲解.
那么在这门课里将会学习到深度学习的相关技术, 以及如何来调整深度学习相关的参数, 在深入学习的时候还可以更好的理解为什么那些参数可以影响到深度学习的过程. (题外话, 在七年前学习java的时候也是只是知道应该这样写,但是并不知道为什么要这样写.)
## 02 深度学习介绍【动手学深度学习v2】
[课程链接](https://www.bilibili.com/video/BV1J54y187f9/?spm_id_from=333.999.0.0&vd_source=fa81ee8dac5a78e9ccb692c6642f6fe2)
这里老师讲的这个AI地图的一些话说的非常好, 我这里总结一下. 就是说最底层是感知,能够看到这些物体, 做推理值得是,我可以根据现在的数据我能够推理出来什么东西. 知识则是由我自己看到的现象总结我自己的知识. 规划则是指对现在的知识进行规划. 而对自然语言处理中, 目前还是处于比较发展缓慢的阶段, 大部分的应用是在机器翻译的应用场景. 而对于机器视觉的稍微进行了一些发展,比如说在一个图片中进行一些处理(通过对图片中像素的某些符号进行识别) 大方向最火的方向是深度学习,计算机视觉和自然语言处理的结合.
**深度学习应用方向**
1- 图片分类 (image net)
下图可以看到深度学习对图片分类发展过程中的误差变化
2- 物体检测和分割
物体检测值得是物体出现在图像的哪个地方,
物体分割指的是物体具体是属于哪一个物体
3- 样式迁移
通过深度学习技术将内容图片和样式图片进行合成, 合成之后当前的图片可以按照样式的图片进行生成
4- 人脸合成
人脸合成指所有的人脸数据都是假的,由算法树生成的
5 - 文字生成图片
由自然语言转换成对应图片的生成.
6 - 文字生成
类似GPT一样的问答文字生成, 当问出问题之后,它会帮你生成某些数据
7 - 无人驾驶
通过计算机视觉技术在无人驾驶方向的应用可以实现无人驾驶功能, 比如特斯拉等.
**深度学习案例- 广告点击**
通过在购物网站的搜索关键词, 当用户输入的时候, 广告推荐系统会先给用户推荐一些广告. 之后便是涉及到机器学习的模型. 比如说统计哪些广告用户的点击率更高. 第三步,按照用户的点击率和广告获得的收益进行乘积排序然后进行推送.
**预测和训练**
对于机器学习的模型大概分为几个步骤, 首先进行特征提取,比如说提取出广告主,产品描述,产品图片等. 之后呢再进行点击率的预测. 根据历史的用户点击数据进行训练从而生成机器学习的模型.
完整的流程则为, 由领域专家预测用户点击广告时候的收益, 之后用户点击这些广告后,会产生数据. 然后由数据科学家尽心模型的训练. 再将其上线然后推送给用户. 而对于模型精度和性能的评估则由对应的AI专家进行调整
## 总结
在本章节中我们学习了深度学习设计的领域,以及深度学习的完整的应用的流程,通过上面的例子我们可以更好的理解深度学习的应用. 课程的直观讲解也更好的让我理解日常生活中的深度学习. 那么正好趁着中秋假期把读书的进度推进一下.
<p>不知道为什么markdown预览的时候没问题,发布之后会多出来几个图片</p>
页:
[1]