高手问答第 189 期 — 聊聊深度学习,你真的入门深度学习了吗?

局长 发布于 03/13 19:03
阅读 3K+
收藏 13

OSCHINA 本期高手问答(3 月 14 日 - 3 月 20 日)我们请来了杜飞老师@被风吹的浪尖 和大家一探讨关于深度学习的问题。

杜飞,本科毕业于云南大学软件学院,云南大学研究生在读,获得多次云南大学奖学金,曾参与《针对时间序列聚类问题的特征学习与集成学习研究》,《混合式聚类集成算法的研究》等多项国家自然基金项目。

由深度学习引发的新一轮人工智能革命已经在众多领域颠覆了人们的认知,而且越来越多的开发者也加入了研究深度学习的大军。更重要的是,“人工智能”已被写进政府报告,这是一个信号,也是一个机遇。

深度学习是人工智能的一个子集,如果你希望顺应潮流趋势,拥抱人工智能,深度学习是不可或缺的。本期高手问答是深度学习的专场,如果有任何关于深度学习的问题,欢迎大家踊跃提问和交流。

本期问答内容:

  • 认识深度学习
  • AI 和深度学习
  • 深度学习实战
  • 深度学习相关算法
  • 深度学习开源技术介绍

或有其他关于深度学习的问题,也欢迎大家积极提问!

为了鼓励踊跃提问,杜飞老师会在问答结束后从提问者中抽取 5 名幸运会员赠予《深度学习实战》一书。

购买地址:京东当当天猫

OSChina 高手问答一贯的风格,不欢迎任何与主题无关的讨论和喷子。

下面欢迎大家就深度学习相关的问题向杜飞老师提问,请直接回帖提问。

加载中
0
局长
局长

高手问答第 189 期 — 聊聊深度学习,你真的入门深度学习了吗?

@雪饼 @木川瓦兹 @-启曙- @你为什么不吃药 @久永

恭喜以上五位用户获得《深度学习实战》图书一本

请尽快私信@局长 告知快递信息(格式:姓名+电话+地址),感谢支持~

1
xiaoaiwhc1
xiaoaiwhc1

@被风吹的浪尖 最想问的一个问题: 1. 这么多深度学习框架, 而且现在都趋向于通用了, 那对于初学者如何选择呢? 或者说从难易程度, 学习曲线, 框架未来发展等方面分析. 2. 另外, 除了文中这本, 还有其它经典书籍推荐吗(现在深度学习的书太多了, 但质量确实不好把握, 可气的是很多都是官网toturial的翻译)?

被风吹的浪尖
被风吹的浪尖
1.对于框架建议:Tensorflow和pytorch,Tensorflow可能稍微麻烦点,但现在官网不用翻墙了,美滋滋,并且相关的教程博客众多,学起来不孤单;pytorch学起来就比较舒服了,完美兼容python,并且动态图设计,谁用谁知道。我建议这两个框架应该并行学习。2.推荐书籍:除了那本圣经《深度学习》我不太建议看书。看视频,斯坦福的CS231,cs224d都很完美,并且内容都很新鲜。
1
Li_Peng
Li_Peng

@被风吹的浪尖 您好!目前我们在项目中已经开始尝试使用一些简单的机器学习算法(例如聚类、分类、协同过滤等算法),用于进行用户画像和推荐系统的开发,但是对于深度学习的实践还处于探索阶段。想跟您请教的是,对于用户画像和推荐系统这种级别的应用,未来如果应用深度学习算法的话,相对于之前简单一些的机器学习算法来说有哪些优势呢?对于价格预测、购买行为预测这种级别的应用,又有哪些深度学习算法适合呢?谢谢!

Li_Peng
Li_Peng
@被风吹的浪尖 回复@被风吹的浪尖 : 嗯嗯,后面我们会对比一下,目前混合协同过滤的资料还是相对少一些。谢谢。
被风吹的浪尖
被风吹的浪尖
额,我说要试一试看结果,会不会显得不专业。但我还是想这么说:试试看,不好就换。
Li_Peng
Li_Peng
回复 @被风吹的浪尖 : 感谢回复!我想再请教下,深度学习除了具有消除特征工程外,在数据量和复杂度相同的情况下,在推荐系统中应用深度学习算法,比如混合协同过滤,是否能取得比普通协同过滤算法更好的效果呢?
被风吹的浪尖
被风吹的浪尖
机器学习有一个理论《没有免费午餐理论》,简单算法和复杂算法没有本质区别,这取决于你们面对问题的复杂性,数据量。如果你们的数据需要做一些(很多)特征工程,那深度学习可能具有消除特征工程的作用。如果数据的维度,噪声,复杂性较小的化,传统机器学习可能更优
1
久永
久永

@被风吹的浪尖 你好!作为一个有多年.net开发经验的软件工作者,请问作为初识者,该如何在这方面起步?比如,刚开始可以尝试实践下哪些项目以便略窥门径?

被风吹的浪尖
被风吹的浪尖
https://developers.google.cn/machine-learning/crash-course/谷歌刚上线的这个教程不错,了解下~
1
-启曙-
-启曙-

@被风吹的浪尖 深度学习入门门槛感觉要求太高(大学基本的数学、统计学、神经网络等),要怎么快速入门?  深度学习的框架如此之多,怎么选择适合自己业务的?

被风吹的浪尖
被风吹的浪尖
框架的话,可以缩小到Tensorflow和pytorch,自己的业务的话,不好意思,无能为力了
被风吹的浪尖
被风吹的浪尖
其实不高,相比SVM以及很幸福了,其实你只需要会求导,会线性代数,深度学习基本够用了。关键是不要惧怕,以及要耐心。深度学习的学习周期有点长
1
木川瓦兹
木川瓦兹

@被风吹的浪尖 老师您好,我目前是在做web后端开发,想入门深度学习,自己试着学习了一段时间,初步知道了一点点的原理,但是总觉得自己还没有入门,不知道真正在学习深度学习的时候有什么学习路径吗,其次就是怎么检验自己的学习成果呢?

被风吹的浪尖
被风吹的浪尖
我推荐从课程开始,谷歌刚发不的不错教程:https://developers.google.cn/machine-learning/crash-course/。还有就是斯坦福cs231。至于怎么检验的话。你能把那么多算法想明白,再学习新算法时只需要看几分钟就懂要领,就算出山了
1
雪饼
雪饼

@被风吹的浪尖  你好,最近在学习“深度学习”,对LeNet、AlexNet、VGGNet、GoogLeNet等经典的卷积神经网络模型的网络结构进行了研究,这些网络结构中的卷积、池化等层次的设计很多是依靠实验试出来的,没有很严谨的理论基础,也就是说,不知道为什么要这样来设计,不清楚为什么这样的网络结构就好或者不好。例如LRN在AlexNet就好,但在VGGNet的C网络就不好,VGG作者只说实验结果不好,也不清楚根源。因此,就有一个困扰,如果现在自己要在VGG等经典模型的基础上进行改造或者重新设计的话,除了不断做实验、尝试以外,缺乏一个比较好的理论指导。请问一下老师,如果我们要进一步提升图像识别准确率,要在VGG等经典模型基础上进行改进的话,有什么好的数学指导思想呢?

被风吹的浪尖
被风吹的浪尖
我觉的数学指导可能比较难,教你一个讨巧的,把新算法当作模块注入到旧算法中。比如:GoogLeNet的模型集成,VGG的深层,ResNet的跨层传播,DenseNet的全跨层传播,然后加上BN层,一下子就有很多新算法了,但要问原理,我觉得原理更像事后总结的。以前还说池化好,现在说池化不好,减少使用,唉~
0
javasql
javasql

@被风吹的浪尖 请问,小公司,没有大数据,如何切入深度学习?

被风吹的浪尖
被风吹的浪尖
用模型迁移的方式,去吧那些好的深度学习模型下载下来,然后砍掉原来的狗头(输出层),安装上你们想要的美女头(输出层)。基本就完美了
0
乘虚怨
乘虚怨

@被风吹的浪尖 小白没学过深度学习想学习该从哪方面入手,有什么推荐书籍吗

被风吹的浪尖
被风吹的浪尖
从逛谷歌的深度学习网址以及学习斯坦福cs231开始,半年后应该可以吹牛了
0
开源中国首席装逼王

@被风吹的浪尖 请问学习人工智能 是不是 要回去把高数 和线性代数 过一遍

被风吹的浪尖
被风吹的浪尖
千万不要,遇到了知识点再去找资料,如果你想回头学了线性代数和高数再来,可能你从来也没学懂线性代数和高数。
返回顶部
顶部