Capítulo 1: Introducción al aprendizaje profundo
1.1 Inteligencia artificial
La fuerza de la inteligencia artificial la divide en 3 categorías
(1) Inteligencia artificial estrecha (ANI)
(2) Inteligencia General Artificial (AGI)
(3) Superinteligencia artificial (ASI)
1.2 Minería de datos, aprendizaje automático y aprendizaje profundo
1.2.1 Minería de datos
La minería de datos es el proceso de descubrir y analizar información útil en grandes bases de datos, también conocido como KDD (descubrimiento de conocimientos en bases de datos).
1.2.2 Aprendizaje automático
El aprendizaje automático puede considerarse como una forma de realizar la inteligencia artificial. Es similar a la minería de datos y también es un campo interdisciplinario de múltiples campos, que involucra teoría de probabilidad, estadística, teoría de aproximación, análisis convexo, teoría de la complejidad computacional y otras disciplinas.
1.2.3 Aprendizaje profundo
Con el desarrollo de las redes neuronales, las estructuras de red populares actuales son: Red neuronal profunda (DNN), Red neuronal convolucional (CNN), Red neuronal recurrente recurrente (RNN), Red adversa generativa (GAN), etc. El libro se presentará en detalle uno por uno, por lo que no lo repetiré aquí.
Capítulo 2 Marco de aprendizaje profundo
TensorFlow
En la actualidad, Tensorflow es el framework más utilizado en el mundo y la comunidad más grande. Debido a que Google se produce, se mantiene y actualiza con frecuencia, y tiene una interfaz Python C ++ y un tutorial muy completo.
Debido a que el lenguaje es de nivel demasiado bajo , actualmente hay muchas bibliotecas abstractas basadas en tensorflow que encapsulan las funciones de Tensorf1 ow para hacerlo simple
Caffe
Se puede ver por su nombre que soporta muy bien redes convolucionales, y también está escrito en C ++, pero no proporciona una interfaz Python, solo proporciona diez + interfaces
Theano
Entonces, en cierto modo, Tensorflow es como el hijo de Theano
Antorcha
El protagonista de este libro, PyTorch, es el predecesor de Torch. Su capa inferior es la misma que la del framework Torch, pero se ha reescrito una gran cantidad de contenido en Python, que no solo es más flexible, admite gráficos dinámicos, sino que también proporciona una interfaz Python.
MXNe
Las deficiencias de MXNet también son obvias. Los tutoriales no son perfectos y la comunidad no es grande debido a que no hay mucha gente. Al mismo tiempo, hay pocos concursos y trabajos basados en MXNet cada año, lo que hace que la promoción y popularidad de MXNet no sea alta.
2.2 Introducción a PyTorch
2.2.1 Qué es PyTorch
No solo puede lograr una potente aceleración de GPU, sino que también admite redes neuronales funcionales, que no son compatibles con muchos marcos convencionales como Tensorflow.
2.2.2 Por qué utilizar PyTorch
- Dominar un framework no se puede hacer para siempre
- PyTorch, a través de una tecnología derivada automática inversa, le permite cambiar arbitrariamente el comportamiento de la red neuronal con retraso cero, aunque esta tecnología no es exclusiva de PyTorch
- La idea de diseño de PyTorch es lineal, intuitiva y fácil de usar.Cuando ejecuta una línea de código, se ejecuta fielmente sin una visión del mundo asincrónica.
- El código de PyTorch es más conciso que Tensorflow. Al mismo tiempo, es difícil entender el código subyacente de Tensorflow, que está altamente industrializado.
Ventajas de pytorch:
2.3.1 Instalación del entorno de desarrollo Python
https://pytorch.org/get-started/locally/
Capítulo 3 Red neuronal multicapa totalmente conectada
3.1 Calentamiento: conceptos básicos de PyTorch
3.1.1 Tensor (tensor)
El objeto de operación más básico procesado en PyTorch es Tensor. Tensor es el inglés de tensor, que representa una matriz multidimensional
。。。
Debido a la solicitud del profesor, TF debe aprobarse durante el verano, por lo que esta nota debe ser un eunuco