动手学深度学习v2 课程笔记

参考文章与视频：

一、深度学习介绍

1. AI地图：符号学 —> 统计 —> 机器学习

2. 应用：广告点击的案例

广告排名的三个步骤：（这个和听过的一个讲座一样：社会计算+广告学）

触发广告

每个广告的点击率预估

根据点击率×竞价来将广告排序

二、安装环境

1. 本地安装：CPU

首先，安装Anaconda + Juptyer Notebook。

Anaconda是包管理器和环境管理器；Jupyter可以将数据分析的代码、图像和文档全部组合到一个web文档中。

Anaconda安装

其次，使用pip安装库。

pip install torch torchvision d2l

2. GPU

翻墙用colab。

三、数据操作、数据预处理

1. 机器学习和神经网络中的主要数据结构为：n维数组。

0维数组：标量。

1维数组：向量。

2维数组：矩阵。

3维数组：图片。

4维数组：多张图片。

2. 创建数组

创建数组所需三个东西：形状、每个元素的数据类型、每个元素的值

3. 访问数组元素

4. 使用jupyer notebook 来运行操作数据

首先在命令行输入：jupyter notebook
其次在浏览器中打开：http://localhost:8888/

导入torch
生成张量Tensor：张量表示一个数值组成的数组，这个数组可能有多个维度。

创建数组：

对数组做算术运算：

张量合并：

5. 数据预处理：将原始数据读取进来，处理为机器学习能够使用的数据

四、线性代数

1. 一些基本概念

矩阵乘法非常重要。

置换矩阵是单位矩阵的延伸版：它是对单位矩阵的行重新排列而成。

2. 实现

B = A，不会重新分配内存。

范数是向量或矩阵的长度。

按特定轴求和：

axis = n，是指在第n维求和。

keepdims = Ture：把求和的那个轴shape变为1。

五、矩阵计算

六、自动求导

1. 向量链式法则

2. 自动求导的原理

3. 自动求导的实现

七、线性回归 + 基础优化算法

1. 线性回归

房价预测问题：预估价、买入价（如果买入价大于预估价，那么就亏了。所以必须要懂房价预测。）

但是数据并没有那么多，所以之后会面临一个问题：训练数据不够多时该怎么办？

神经网络通常是用来解决 NP 难问题，所以通常无显式解。

2. 基础优化算法

当模型没有显式解时，应该怎么办？一个方法是用梯度下降。

随机梯度下降Sgd：随机代表是每次采样是随机的，但是每次训练的批量大小不变。

3. 线性回归的从零开始实现

不使用任何的深度学习框架。从零实现整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器。

4. 线性回归的简洁实现

使用深度学习框架来实现。

八、Softmax 回归 + 损失函数 + 图片分类数据集

1. Softmax 回归

Softmax 回归 其实是一个分类问题。

Logistic回归是Softmax回归的特例，Logistic回归是二分类问题。（只需算一个概率，另一个可以用1减去它来算）

房价预测问题是回归问题。

2. 损失函数：衡量预测值和真实值之间的区别（L2 Loss、L1 Loss、Huber’s Robust Loss）

均方损失（L2 Loss）

L1 Loss

Huber鲁棒损失

另外，这篇文章介绍了三种损失函数，重点阐述了交叉熵损失函数的优点。

分类错误率
均方误差
交叉熵损失函数

3. 图片分类数据集：Fashion-MNIST

读取数据集：训练集、测试集

mnist_train = torchvision.datasets.FashionMNIST(root="../data",train=True,transform=trans,download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="../data",train=False,transform=trans,download=True)

读取小批量：数据迭代器（多线程）

train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,num_workers=get_dataloader_workers())

4. Softmax回归的从零开始实现

5. Softmax回归的框架实现