深度学习从零开始（1）— 如何学习深度学习？
 
原创liuzard最后发布于2019-02-17 15:35:04阅读数 428
                    
收藏发布于2019-02-17 15:35:04
分类专栏：深度学习人工智能卷积神经Python 
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.csdn.net/u012995500/article/details/87528681
展开
首先说我个人的结论：
（1）假如是为了找工作，或者短时间内解决问题，我建议最好的入门书是：《Python 深度学习》和《Scikit-Learn与TensorFlow机器学习实用指南（影印版）》和《TensorFlow：实战Google深度学习框架（第2版）》，三本书都是该领域的经典，而且难得的是非常易读，看完就可以利用经典的机器学习和深度学习算法解决常见的问题。
（2）假如想长期学习，深入理解深度学习的原理，并想进一步研究的话。我的建议是自己从零开始不借助任何框架，写一个自己的卷积神经网络。此后再理论和实践两把抓。不要一上来就啃艰深的理论，也不要一直用深度学习的框架，做一个“调包侠”。
转眼间，学习深度学习也已经两年了。也用一些框架写了不少算法，做过不少实践，出了一些论文。但是回顾学习历程，我总觉两脚不着地，不踏实。这种不踏实并没有因为框架用得熟练，项目做多了而逐渐消散，反而经常因为触碰到一些比较深的问题而感到不安。记得2017年，在网上学习了卷积自编码器，自己想将一维卷积自编码器用在时域信号的去噪处理中。在一维卷积自编码器中，要用到一个叫做反卷积的方法，我当时所用的Tensorflow 最新版本还没有一维反卷积这个方法。于是我便自己尝试这个方法，但是由于做“调包侠”久了，写了一个星期的代码还是bug不断，不得已就放弃了。
除了这种自己造轮子的场景，还有用轮子也出现不少问题。我们知道，无论在机器学习还是深度学习，最为关键的就是调参。人言“三分算法，七分调参”不是虚言。但是要练好这调参神功却是不易，学习率要如何设置？要采用什么参数更新方法（SGD，AdaGrad，Adam...）? Batch Normalization 要不要用？选用那种正则化方法？这些都不是看Tensorflow 文档能得到答案的。因此，要想砖搬得好，我意识到看那些光讲框架的书，还有网上的一些实践案例（手写字体识别，风格迁移，图像生成...）是远远不够的。表面上看，看完这些教程和案例，你就可以上手做很多实践。能快速上手当然是好事，但是就像我开头说的那边，这样学到的深度学习充其量不过是“调包侠”而已，要说入门深度学习，还差得甚远。
问题出在哪呢？很显然，是对深度学习的理论理解的不够。理论当然很艰难，但是“欲诣扶桑,非舟莫适”，没有理论的加持，在深度学习这条路上不可能走得远。所以，我们要开始啃那些艰深的大块头了吗？周志华的西瓜书，深度学习花书我都怀着一百二十分的热情买来，但是在几个月之后就放在书架里吃灰了。这当然是我的毅力不济，但是既然已经如此，除了放弃之外，还有没有办法入深度学习这个门呢？
要想彻底理解一个东西，最好的办法就是自己从零开始把它做出来。而在理论的学习过程中，恰恰缺失的是这个做的过程。由于我主要研究卷积神经网络，所以后来我一直在网上找各种博客，学习如何从零开始写一个卷积神经网络。但是在学习的过程中我发现，虽然大部分博客都实现了这个目的，但是解释确比较简略，对于我这种还没有入门的人来说，看得非常痛苦。比如深度学习中最重要的反向传播算法，大部分博客都只是给一个结果，至于代码后面的原理，却很少能讲清楚的。直到后来我看到一本书《深度学习入门——基于Python 的理论与实现》之后，我才有一种恍然大悟的感觉，算是对探索深入学习的本质有了更多的信心。
因此，我把这个学习的过程记录下来，这个系列博客大部分是根据《深度学习入门——基于Python 的理论与实现》而来，当然也会补充我自己的一些心得。假如你想深度地理解深度学习，而不想仅限于做一个“调包侠”，那么这个系列博客应该是对你有所帮助的。当然这个系列博客是我自己学习历程的一个记录，它是一个学习的开始，假如你对深度学习好奇，想理解深度学习的本质，乃至于你想更好地用好深度学习这个工具，我邀请你一同加入到深度学习的原理学习中来。写这篇博客的目的也是为了和同道者交流，希望各位朋友不吝赐教。假如它对你有所启发的话，将是我的一大快乐。
在这个系列博客中，第一步的目标就是利用Python不借助任何深度学习框架，写出一个卷积神经网络（LeNet-5）。在第一步的学习过程中，把所涉及的知识点都理解透彻并用代码加以实现——网络建立、前向传播、反向传播、梯度下降、模型训练、模型测试等等。
在完成第一步的学习之后，相信对深度学习的一系列问题有了直觉上的理解，并且知道深度学习的各部分的实现。在第二步中，我们可以放心地使用深度学习框架，因为我们已经知道了深度学习框架的内部原理。所以，在第二步中，我们会使用深度学习框架实践一些更为复杂的案例（图像识别、语音识别、翻译等），并且像论文一样，进行一定深度地探讨。
在第二步进行的同时，为了实践和理论两者不偏废，我们也会进行理论的学习，这部分的学习包括大部分深度学习所涉及的数学知识——损失函数、链式求导、最大似然估计、降维、流形学习等等。我相信理论的学习和实践是相互助益的。同时，实践和理论的学习也是无止境的，我希望第二步和第三步的学习可以一直进行下去，这意味着我希望这个系列博客可以一直更新下去，也希望与诸位有志于学习深度学习的朋友共勉。
当然，以上的话是写给想长期学习深度学习的朋友看的。假如想短期内应用深度学习解决问题的话，上述的方法就不甚妥当了。我觉得假如想短期内实现一些算法，用在自己的项目的话，最好的入门书是入门书是《TensorFlow：实战Google深度学习框架（第2版）》和《Scikit-Learn与TensorFlow机器学习实用指南》，前者看完基本上能用Tensorflow 写基本的深度学习模型，后者则兼顾机器学习和深度学习，我认为它是机器学习领域内最好的一本入门书，有很强的实践性，同时也兼顾了一些基本的理论。不管学习深浅，我觉得入门是非常重要的，一本好的入门书不仅把知识点讲到，而且还给读者带来极大的热情，我认为上面两本书都做到了。我也很感谢书的作者，在我学习备受挫折的时候给我了很多引导和信心，让我现在可以充满热情继续学习下去。
在接下来的三章中，我会用Python语言从零开始构建自己的卷积神经网络，不借助任何深度学习库。在编写完成之后，可以实现一个深度学习算法的基本要素，从而对原理有一个深入的认识。在这三章的介绍中，我们先从最初的感知机开始，再到普通的三层神经网络，最后到卷积神经网络。在这个过程中，我也将对深度学习中最关键的激活函数、梯度下降、反向传播、损失函数等一一介绍并实现。在这部分中，我力求简易，不跳过任何步骤，做到有基本的高等数学知识就能轻松读懂。
民国大师马一浮在一次书院的讲记中曾说过：“天下之道，常变而已矣。唯知常而后能应变，语变乃所以显常。” 我以为，无论是深度学习还是其他领域，理论即是常，实践即是变。让我们一起学常，知常而应变！
————————————————
版权声明：本文为CSDN博主「liuzard」的原创文章，遵循CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u012995500/java/article/details/87528681