1の物品を製造放棄するエントリからディープラーニング---
コンセプトの深さの研究は、それが今最も広く使用されている少し規律ですが、ポイント、学界や産業用途で、ますます広く深い学習に続いて、ヒントンらによって2006年に提唱します。ディープ学習は広く、画像認識、音声処理、意味処理、自動運転の分野、医療画像等に使用されます。
今より多くの人々が研究の分野、関連分野の深さに衝撃を与えるようになっただけでなく、非技術的な教育。非技術教育（基本的なコンピュータ0、0、プログラミングの基礎、AIの概念0ベース）の代表として、それはまた、何らかの形で「強いの関心を学ん深さを持っていました。私は、私が興味の後に見つけたとき、私が言われたまで、私はかつて私は「間違い」の判断をした、業界の発展の展望と賃金可能性があり、知識の新しい分野への暴露のように、私は学習の愛だと思いました。。。
私はちょうど私の個人的な経験の少しをまとめ学習の深さを（私はおそらくまだしきい値外でホバリングしています）、探求し始めた方法、および私が助けることを望む：騒ぎが、我々は、トピックに直接移動します混乱して白の友達〜
~~~~~~~~~~~~~~~~~~~~~ ~~~~~~~~~~ 悪の境界線
学習の深さとは何ですか
深い学習については、様々な詳細な導入にあまりにも多くの参考書がありますが、私はここでそれらを繰り返すことはしません、紙は、学習の少しの深さのための私の個人的な学習体験を記録し、私はピットを準備するために役立つことを願ってい白でした。
ディープ学習は機械学習下のAI、AIの分野の支店で、機械学習は、学習の深さを下回っています。だから、学習の深さが何であるかを最終的には、深い我々がやって最後に何を学びますか？下の画像の右端のように、学習の深さは、我々のニーズに応じて、まず、前処理（データは通常、誰かが片付けている）データの山を実際にあり、その後、これらのデータを繰り返し摩擦の数学的モデルの適切なセットを選択します（物体内部モデルのパラメータを調整することで）、正しい判定のための新たなデータは、同じカテゴリの最終モデルように。このプロセスは、学習プロセスの深さです。私たちの研究の結果は、判断の基本的な問題でモデルクラスのパラメータを調整することで、関連する境界条件は、このモデルでは、我々は結果を予測することができ、それを与えます。これは深い学習である（不正確がある場合の個人的な概要は、私を修正してください）
深い学習の基本的なプロセス
私たちは学習の深さを理解すると、コンピュータは、データを分析するために、我々は一般的な手順の深い学習を知っておく必要があり、次のステップを人が好きことができるようにコンピュータ学習サンプルデータは、固有法とレベルを表すことによって、実際にあります。
上記のように、学習プロセスの深さはおよそ8つのステップに分けることができます;訓練と評価のためのモデル定義、コンパイラ、;データ収集と前処理し、最終的にモデル予測データを保存します。データ処理は、コア業務の一つであり、私たちは多くの場合、トレーニングデータを処理に費やす時間がかかる、上記ニューラルネットワークを構築するのではなく、時々ちょうどラベル画像は、時間を費やす必要があるでしょう！もちろん、モデルは彼の妻があまりにも困難であるため、「また」と言う理由は、非常に重要な「は」で構築された~~~幸いにも、ニュースは、アルゴリズムは通常、自由ということです：Googleや他の巨人は、世界で最も先進的にそれらを共有する方が傾斜しています（最先端の ） 研究成果が、彼らは、データを共有することはありません。そしてアンドリュー・ウは、紙が十分であることを言いました！しかし、あなたは、この論文を読むことができますし、数式を理解することができる場合にのみ-最後のモデルの予測データをあるし、保存します。私たちの目的は、当社の移行の調査を容易にするために、モデルを保存し、データを予測することです。
学習の深さを続行する方法を学びます
那么问题来了，如何开始学习深度学习？
其实这是一个‘贱人贱智’的问题，网上关于学习的方法和步骤也能搜出一箩筐，参考书也很多。但是貌似对于一个纯小白（不懂计算机、不懂神经网络、不懂编程的‘三不’人员）来说不是很友好。
我们以Tensorflow为例，打开各类参考书籍，第一章往往叫做tensorflow基础，除了讲解如何安装tensorflow之外，就开始介绍张量、计算图与会话等基础知识。这里应该是我们的第一道学习门槛，且不说我们对于数学知识的掌握程度是否理解张量这些数学术语的概念，单是学习建张量、常量这些玩意儿，可能就会花费我们很多时间，很多人可能就在这种过程中已经放弃了学习。。。
自学这件事情在我看来就好像一场单人马拉松，如果不能明确的知道自己到终点的距离，也不知道终点在哪里，是很容易半途而废的。所以我们不妨先直接找几个简单的例子，按部就班的照着例子训练几个模型并对新数据进行预测。先尝到一点‘胜利的喜悦’，然后再反过来看，在这个过程中，我有哪些不明白的地方，再逐步突破他们。一旦我们逆向推导全部搞定了，其实我们也就基本掌握了深度学习的整个过程。
关于深度学习的例子（一定要包含完整的代码，代码不完整，对于不会编程的人来说会很痛苦），可以参考我写的Tensorflow学习笔记实战系列，当然也可以参考Tensorflow官方教程（笔记代码就是来自官方教程，然后加上自己的注释）。
我们以房价预测为例，看一看我们在这个深度学习模型的建模过程中具体做了哪些事情：
房价预测问题是深度学习教程中的一个基本的示例，模型搭建很简单，但是基本涵盖了深度学习涉及的各个方面。通过完成这个简单的示例，我们对房价深度学习做的事情有了一个最初步的认识，这就好像我们跑步前我们知道了我们的目的地大概在什么地方，路上会有哪些标志物。我们再去学习它，相信就不会特别的迷茫了。
私は学習の深さを勉強したいと言うとき、私は何を学んでいます
：私たちはわかりますいくつかの簡単な例を完了すると、実際には、我々はいくつので、物事の深さのトレーニングコースの学習モデルで実行する必要がある
1は、データのロード
が多く、その方法に応じているデータの形式をデータのデータ型を入力することは、私たちがコンテンツを習得することができます。
2、データの処理
時間のほとんどは、私たちのデータに、コンピュータがそれらを読むことができませんので、我々は我々のデータを修正する必要があります。コンピュータが（つまりは、これらのデータは、ジョー・スミスやジョン・ドウであることを知っている、データを参照してください、コンピュータがデータを知らせている）データラベルを表しているどのデータパラメータ、理解してみましょう
3、建設モデル
モデルを構築するために呼び出され、実際には、ブロックを構築するように戦います、どうするか、具体的には、などの畳み込み層、プーリング層、完全に接続された層、など様々なネットワーク層、これらの層をモデル化するために追加して、私はノートの後に詳細に説明します。
図4は、モデルの最適化戦略を設定し
、このステップの目的は急激な減少勾配モデルを防ぐために、モデルを最適化させるための方法とモデルを見つけることですフィット感とあまりフィット登場しました。
図5は、トレーナー
ここでは、調整パラメータの処理である合理的なステップのサイクルを設定します。
上記のそれぞれは、特にデータ処理では、データはすべての良い半分結果まあ~~後にされ、重要であり
、我々は、各モジュールを入れたときに全体的に、学習の深さを学ぶことは、実際には各モジュールの上に学習過程であります解明が使用された後、私たちは自然に綿密な調査はなります。
概要
私たちは、接触時間の新しいエリアに移動すると、目標は非常に重要であり、我々はそれが最大の前提条件であることを主張します。そして、ターゲットと忍耐の間、私たちの方法は、成功への近道です。この方法の選挙では、我々はより少ないと、より行うことができます。
これらは、経験のビットの深さの間に私の個人的な学習プロセスです、私は良い提案がある場合は、私を修正してください、あなたは白の穴に予定のを助けることができている願っています！