TensorFlow实战(才云郑泽宇著)读书笔记——第一章深度学习简介

tensorflow实战图书封面

(题图:TensofFlow实战图书封面)

🙏电子工业出版社编辑赠书,能够这么快的拿到这本书,也🙏才云科技的郑泽宇大哥耐心的写了这本书,能够让我等小白一窥深度学习的真容。另外要强烈推荐下这本书,这是本TensorFlow深度学习很好的入门书。书中提供的代码下载地址,整本书的笔记归档在这里

P.S 本书的官方读者交流微信群(作者也在群里)已经超过100人,您可以先加我微信后我拉您进去,我的二维码在这里,或者直接搜索我的微信号jimmysong。

1.1 人工智能、机器学习与深度学习

这一节是讲解三者之间的关系。

首先以垃圾邮件分类问题引入机器学习的逻辑回归算法

逻辑回归算法的准确性取决于训练数据中的特征的提取,以及训练的数据数量。

文章中又提了一个从实体中提取特征的例子:通过笛卡尔坐标系活极角坐标系来表示不同颜色的点,看看能否用一条直线划分。这个例子用来说明一旦解决了数据表达和特征提取,很多人工智能的问题就能迎刃而解

深度学习是机器学习的一个分支,除了能够学习特征和任务之间的关联之外,还能自动从简单特征中提取更加复杂的特征,这是其区别于机器学习的关键点。

总的来说,人工智能>机器学习>深度学习。

1.2深度学习的发展历程

本节介绍了深度网络历史的三个发展阶段。

2012年的ImageNet图像分类竞赛上,深度学习系统AlexNet赢得冠军,自此深度学习作为深层神经网络的代名词而被人熟知。

1.3深度学习的应用

这一节讲的是深度学习的应用,首先还是从ImageNet的图像识别开始,应用到了OCR(提到了卷积神经网络)、语音识别(提到了混合搞高斯模型)、自然语言处理(提到了语料库、单词向量、机器翻译、情感分析)、人机对弈(提到了AlphaGO)。

1.4 深度学习工具介绍与对比

TensorFlow的渊源是Google大脑团队在2011年开发,在内部使用的DistBelief,并赢得了ImageNet 2014年的比赛,TF是其开源版本,还发表了一篇论文TensorFlow: Large-Scale Machine Learning on Heteogeneous Distributed systems,这就跟当年的HDFSMapReduce一个套路啊。

Google还把它用来做RankBrain和很多其他的产品线上使用。

当然,还有很多其他的深度学习工具,比如CaffeDeeplearning4jTorch等不一而足。从各种指标来看,TensorFlow都是目前最受关注的深度学习框架。