如果您对使用Python进行深度学习一无所知请从这里开始
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-04-29
知道从何处开始可以极大地缓解学习曲线
如果我必须再次使用Python学习深度学习，大多数有关深度学习的书都要求具备机器学习概念和算法的基础知识，教您深度学习的基础知识，除了基本的数学和编程技能外，没有任何先决条件，使您成为深度学习的向导（也没有做出这样的主张），但是它将为您提供一条可以更轻松地从更高级的书籍和课程中学习的道路。
用Python构建人工神经元
大多数深度学习书籍都基于几种流行的Python库之一，例如TensorFlow，PyTorch或Keras，相反，深度学习通过逐行构建一切来教您深度学习，您从开发单个人工神经元开始，这是深度学习的基本要素，将带您了解线性变换的基础知识，这是由人工神经元完成的主要计算，然后您可以使用简单的Python代码实现人工神经元，而无需使用任何特殊的库，这不是进行深度学习的有效方法，因为Python有许多库可以利用计算机的图形卡和CPU的并行处理能力来加快计算速度，但是用Python编写所有内容对于学习深度学习的来龙去脉非常有用。
您的个人工神经元将接受一个输入
将其乘以一个随机权重，然后做出预测，然后您将测量预测误差，并应用梯度下降来调整神经元在正确方向上的权重，使用单个神经元，单个输入和单个输出，理解和实现该概念变得非常容易，您将使用多个输入维度，预测多个输出，应用批处理学习，调整学习率等为模型逐渐增加更多的复杂性，然后您将逐步添加和更改在前几章中编写的Python代码，并逐步创建一系列功能来进行预测，计算错误，应用更正等功能，从而实现每个新概念，当您从标量计算转移到矢量计算时，您将从原来的Python操作转移到Numpy，这是一个特别擅长并行计算并且在机器学习和深度学习社区中非常流行的库。
使用Python的深度神经网络
深层神经网络AI，在掌握了人工神经元的基本构造块之后，您将开始创建深度神经网络，这基本上就是将多层人工神经元彼此堆叠在一起时得到的结果，创建深层神经网络时，您将了解激活函数并将其应用于打破堆叠层的线性并创建分类输出，同样您将借助Numpy函数自己实现所有功能，您还将学习计算梯度并通过层传播误差，以将校正分布到不同的神经元上，随着您逐渐熟悉深度学习的基础知识，您将学习和实施更高级的概念，该书介绍了一些流行的正则化技术，例如提前停止和退出，您还将开始制作自己的卷积神经网络（CNN）和递归神经网络（RNN）版本。
您将把所有内容打包到一个完整的Python深度学习库中，创建自己的层
激活函数和神经网络体系结构的类层次结构（这部分需要面向对象的编程技能），如果您已经使用Keras和PyTorch等其他Python库，那么您会发现终的架构非常熟悉，如果您还没有的话，将来您会更轻松地熟悉这些库，提醒您实践是的，他鼓励您全心全意地编写自己的神经网络，而无需复制粘贴任何内容。
代码库有点麻烦
并非有关深度学习的所有内容都是的，定义一本好书的主要内容之一就是代码存储库，在这方面可以做得更好，深度学习的存储库中每一章都包含Jupyter Notebook文件。Jupyter Notebook是学习Python机器学习和深度学习的绝佳工具，但是优势在于将代码分解成几个小单元，您可以独立执行和测试这些小单元，Grokking深度学习的某些笔记本电脑是由非常大的单元格组成的，其中包含大量未注释的代码，这变得尤其成问题，因为在这些章节中，代码变得越来越长，越来越复杂，并且在笔记本中找到自己的方式变得非常繁琐，原则上，教材的代码应细分为小单元，并在关键区域包含注释。
尽管确保代码在Python 3中也能正常运行
但它包含了旧的编码技术，这些技术已在Python开发人员中被弃用（例如，使用“ for i in range（len（array）） ”范例对数组进行迭代））。
人工智能的广阔前景
人脑思想可以为新手和经验丰富的Python深度学习开发人员提供服务，他们希望填补他们的知识空白，每个任务都有一个工具，每个工具都有一个任务，深度学习并不是可以解决所有AI问题的魔杖，实际上对于许多问题，更简单的机器学习算法（例如线性回归和决策树）将表现出与深度学习一样好的性能，而对于其他问题，基于规则的技术（例如正则表达式和一些if-else子句）将两者都胜过，关键是您需要全面的工具和技术来解决AI问题，希望深度学习将帮助您开始获取这些工具的道路。
你从这里去哪里？
如果我必须再次使用Python学习深度学习，大多数有关深度学习的书都要求具备机器学习概念和算法的基础知识，教您深度学习的基础知识，除了基本的数学和编程技能外，没有任何先决条件，使您成为深度学习的向导（也没有做出这样的主张），但是它将为您提供一条可以更轻松地从更高级的书籍和课程中学习的道路。
用Python构建人工神经元
大多数深度学习书籍都基于几种流行的Python库之一，例如TensorFlow，PyTorch或Keras，相反，深度学习通过逐行构建一切来教您深度学习，您从开发单个人工神经元开始，这是深度学习的基本要素，将带您了解线性变换的基础知识，这是由人工神经元完成的主要计算，然后您可以使用简单的Python代码实现人工神经元，而无需使用任何特殊的库，这不是进行深度学习的有效方法，因为Python有许多库可以利用计算机的图形卡和CPU的并行处理能力来加快计算速度，但是用Python编写所有内容对于学习深度学习的来龙去脉非常有用。
您的个人工神经元将接受一个输入
将其乘以一个随机权重，然后做出预测，然后您将测量预测误差，并应用梯度下降来调整神经元在正确方向上的权重，使用单个神经元，单个输入和单个输出，理解和实现该概念变得非常容易，您将使用多个输入维度，预测多个输出，应用批处理学习，调整学习率等为模型逐渐增加更多的复杂性，然后您将逐步添加和更改在前几章中编写的Python代码，并逐步创建一系列功能来进行预测，计算错误，应用更正等功能，从而实现每个新概念，当您从标量计算转移到矢量计算时，您将从原来的Python操作转移到Numpy，这是一个特别擅长并行计算并且在机器学习和深度学习社区中非常流行的库。
使用Python的深度神经网络
深层神经网络AI，在掌握了人工神经元的基本构造块之后，您将开始创建深度神经网络，这基本上就是将多层人工神经元彼此堆叠在一起时得到的结果，创建深层神经网络时，您将了解激活函数并将其应用于打破堆叠层的线性并创建分类输出，同样您将借助Numpy函数自己实现所有功能，您还将学习计算梯度并通过层传播误差，以将校正分布到不同的神经元上，随着您逐渐熟悉深度学习的基础知识，您将学习和实施更高级的概念，该书介绍了一些流行的正则化技术，例如提前停止和退出，您还将开始制作自己的卷积神经网络（CNN）和递归神经网络（RNN）版本。
您将把所有内容打包到一个完整的Python深度学习库中，创建自己的层
激活函数和神经网络体系结构的类层次结构（这部分需要面向对象的编程技能），如果您已经使用Keras和PyTorch等其他Python库，那么您会发现终的架构非常熟悉，如果您还没有的话，将来您会更轻松地熟悉这些库，提醒您实践是的，他鼓励您全心全意地编写自己的神经网络，而无需复制粘贴任何内容。
代码库有点麻烦
并非有关深度学习的所有内容都是的，定义一本好书的主要内容之一就是代码存储库，在这方面可以做得更好，深度学习的存储库中每一章都包含Jupyter Notebook文件。Jupyter Notebook是学习Python机器学习和深度学习的绝佳工具，但是优势在于将代码分解成几个小单元，您可以独立执行和测试这些小单元，Grokking深度学习的某些笔记本电脑是由非常大的单元格组成的，其中包含大量未注释的代码，这变得尤其成问题，因为在这些章节中，代码变得越来越长，越来越复杂，并且在笔记本中找到自己的方式变得非常繁琐，原则上，教材的代码应细分为小单元，并在关键区域包含注释。
尽管确保代码在Python 3中也能正常运行
但它包含了旧的编码技术，这些技术已在Python开发人员中被弃用（例如，使用“ for i in range（len（array）） ”范例对数组进行迭代））。
人工智能的广阔前景
人脑思想可以为新手和经验丰富的Python深度学习开发人员提供服务，他们希望填补他们的知识空白，每个任务都有一个工具，每个工具都有一个任务，深度学习并不是可以解决所有AI问题的魔杖，实际上对于许多问题，更简单的机器学习算法（例如线性回归和决策树）将表现出与深度学习一样好的性能，而对于其他问题，基于规则的技术（例如正则表达式和一些if-else子句）将两者都胜过，关键是您需要全面的工具和技术来解决AI问题，希望深度学习将帮助您开始获取这些工具的道路。
你从这里去哪里？
我当然建议您读一本有关Python深度学习的深入书，例如使用PyTorch进行深度学习或使用Python进行深度学习，您还应该加深对其他机器学习算法和技术的了解，我喜欢的两本书是动手机器学习和Python机器学习，您还可以选择很多知识浏览机器学习和深度学习论坛，例如r / MachineLearning和r / deeplearning子索引，AI和深度学习Facebook组，或者在Twitter上关注AI研究人员，AI领域非常广阔，并且正在迅速扩展，还有很多东西要学习，如果这是您的本有关深度学习的书，那么这就是一段惊人旅程的开始。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
