零基础入门深度学习的五篇经典教程
零基礎(chǔ)入門(mén)深度學(xué)習(xí)》系列文章旨在講幫助愛(ài)編程的你從零基礎(chǔ)達(dá)到入門(mén)級(jí)水平。零基礎(chǔ)意味著你不需要太多的數(shù)學(xué)知識(shí)，只要會(huì)寫(xiě)程序就行了，沒(méi)錯(cuò)，這是專(zhuān)門(mén)為程序員寫(xiě)的文章。雖然文中會(huì)有很多公式你也許看不懂，但同時(shí)也會(huì)有更多的代碼，程序員的你一定能看懂的（我周?chē)且蝗嚎駸岬腃lean Code程序員，所以我寫(xiě)的代碼也不會(huì)很差）。
文章更新了５篇：?
零基礎(chǔ)入門(mén)深度學(xué)習(xí)(1) - 感知器?
深度學(xué)習(xí)是啥?
在人工智能領(lǐng)域，有一個(gè)方法叫機(jī)器學(xué)習(xí)。在機(jī)器學(xué)習(xí)這個(gè)方法里，有一類(lèi)算法叫神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)如下圖所示：
上圖中每個(gè)圓圈都是一個(gè)神經(jīng)元，每條線表示神經(jīng)元之間的連接。我們可以看到，上面的神經(jīng)元被分成了多層，層與層之間的神經(jīng)元有連接，而層內(nèi)之間的神經(jīng)元沒(méi)有連接。最左邊的層叫做輸入層，這層負(fù)責(zé)接收輸入數(shù)據(jù)；最右邊的層叫輸出層，我們可以從這層獲取神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)。輸入層和輸出層之間的層叫做隱藏層。?
鏈接：?
https://www.zybuluo.com/hanbingtao/note/433855
零基礎(chǔ)入門(mén)深度學(xué)習(xí)(2) - 線性單元和梯度下降?
在上一篇文章中，我們已經(jīng)學(xué)會(huì)了編寫(xiě)一個(gè)簡(jiǎn)單的感知器，并用它來(lái)實(shí)現(xiàn)一個(gè)線性分類(lèi)器。你應(yīng)該還記得用來(lái)訓(xùn)練感知器的『感知器規(guī)則』。然而，我們并沒(méi)有關(guān)心這個(gè)規(guī)則是怎么得到的。本文通過(guò)介紹另外一種『感知器』，也就是『線性單元』，來(lái)說(shuō)明關(guān)于機(jī)器學(xué)習(xí)一些基本的概念，比如模型、目標(biāo)函數(shù)、優(yōu)化算法等等。這些概念對(duì)于所有的機(jī)器學(xué)習(xí)算法來(lái)說(shuō)都是通用的，掌握了這些概念，就掌握了機(jī)器學(xué)習(xí)的基本套路。?
鏈接：?
https://www.zybuluo.com/hanbingtao/note/448086
零基礎(chǔ)入門(mén)深度學(xué)習(xí)(3) - 神經(jīng)網(wǎng)絡(luò)和反向傳播算法?
在上一篇文章中，我們已經(jīng)掌握了機(jī)器學(xué)習(xí)的基本套路，對(duì)模型、目標(biāo)函數(shù)、優(yōu)化算法這些概念有了一定程度的理解，而且已經(jīng)會(huì)訓(xùn)練單個(gè)的感知器或者線性單元了。在這篇文章中，我們將把這些單獨(dú)的單元按照一定的規(guī)則相互連接在一起形成神經(jīng)網(wǎng)絡(luò)，從而奇跡般的獲得了強(qiáng)大的學(xué)習(xí)能力。我們還將介紹這種網(wǎng)絡(luò)的訓(xùn)練算法：反向傳播算法。最后，我們依然用代碼實(shí)現(xiàn)一個(gè)神經(jīng)網(wǎng)絡(luò)。如果您能堅(jiān)持到本文的結(jié)尾，將會(huì)看到我們用自己實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)去識(shí)別手寫(xiě)數(shù)字?，F(xiàn)在請(qǐng)做好準(zhǔn)備，您即將雙手觸及到深度學(xué)習(xí)的大門(mén)。?
鏈接：?
https://www.zybuluo.com/hanbingtao/note/476663
零基礎(chǔ)入門(mén)深度學(xué)習(xí)(4) - 卷積神經(jīng)網(wǎng)絡(luò)?
本文將要介紹一種更適合圖像、語(yǔ)音識(shí)別任務(wù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)——卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)。說(shuō)卷積神經(jīng)網(wǎng)絡(luò)是最重要的一種神經(jīng)網(wǎng)絡(luò)也不為過(guò)，它在最近幾年大放異彩，幾乎所有圖像、語(yǔ)音識(shí)別領(lǐng)域的重要突破都是卷積神經(jīng)網(wǎng)絡(luò)取得的，比如谷歌的GoogleNet、微軟的ResNet等，打敗李世石的AlphaGo也用到了這種網(wǎng)絡(luò)。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)以及它的訓(xùn)練算法，以及動(dòng)手實(shí)現(xiàn)一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)。?
鏈接：?
https://www.zybuluo.com/hanbingtao/note/485480
零基礎(chǔ)入門(mén)深度學(xué)習(xí)(5) - 循環(huán)神經(jīng)網(wǎng)絡(luò)?
在前面的文章系列文章中，我們介紹了全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，以及它們的訓(xùn)練和使用。他們都只能單獨(dú)的取處理一個(gè)個(gè)的輸入，前一個(gè)輸入和后一個(gè)輸入是完全沒(méi)有關(guān)系的。但是，某些任務(wù)需要能夠更好的處理序列的信息，即前面的輸入和后面的輸入是有關(guān)系的。比如，當(dāng)我們?cè)诶斫庖痪湓捯馑紩r(shí)，孤立的理解這句話的每個(gè)詞是不夠的，我們需要處理這些詞連接起來(lái)的整個(gè)序列；當(dāng)我們處理視頻的時(shí)候，我們也不能只單獨(dú)的去分析每一幀，而要分析這些幀連接起來(lái)的整個(gè)序列。這時(shí)，就需要用到深度學(xué)習(xí)領(lǐng)域中另一類(lèi)非常重要神經(jīng)網(wǎng)絡(luò)：循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network)。RNN種類(lèi)很多，也比較繞腦子。不過(guò)讀者不用擔(dān)心，本文將一如既往的對(duì)復(fù)雜的東西剝繭抽絲，幫助您理解RNNs以及它的訓(xùn)練算法，并動(dòng)手實(shí)現(xiàn)一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)。?
鏈接：?
https://www.zybuluo.com/hanbingtao/note/541458
原文鏈接：?
http://weibo.com/5066241201/EggmMg7ym?ref=collection&type=comment
--------------------- 本文來(lái)自 業(yè)精于勤荒于嬉-行成于思而毀于隨 的CSDN 博客 ，全文地址請(qǐng)點(diǎn)擊：https://blog.csdn.net/m0_37644085/article/details/79563384?utm_source=copy
總結(jié)
以上是生活随笔為你收集整理的零基础入门深度学习的五篇经典教程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
