《深度学习的技术》-读书笔记

简介: 绪论所谓「深度学习」,顾名思义,就是学东西不只看它浮在表面的东西,而是往深入去挖掘,甚至看到别人所未见的东西。尽量不要 读书不求甚解,蜻蜓点水,贪多求全,最后养成了思维的惰性,只重量而不重质,只是把机械记忆一些知识点当成攀比的资本或谈资。

绪论

所谓「深度学习」,顾名思义,就是学东西不只看它浮在表面的东西,而是往深入去挖掘,甚至看到别人所未见的东西。
尽量不要 读书不求甚解,蜻蜓点水,贪多求全,最后养成了思维的惰性,只重量而不重质,只是把机械记忆一些知识点当成攀比的资本或谈资。

关于深度读书法,古代唐君毅先生写到:

「见文字平铺纸上,易;见若干文字自纸面浮超凸出,难。见书中文字都是一般大小,易;见书中文字重要性有大小,而如变大或变小,难。顺书之文句之次序读书, 易;因识其义理之贯通,见前面文句如跑到后面,后面文句如跑到前面,平面之纸变卷筒,难。于有字处见字而知其意义,易;心知著者未言之意,于字里行间无字处见出字来,难。」

《深度学习的艺术》这本书将深度学习分了四个部分,提问,解码,操练,融合。

提问

好的问题至关重要,由下图对比可看出由问题引导着去学习,与单纯的对某种东西感兴趣学习方式的差异


img_5bcc8e63cf0c5b3546fb0a206c6b2b95.png
学习方式对比

在学习技术时,一些人觉得学习编程很难,然后也不动手开始学。或者单纯的看技术类书籍,视频,最后学习方式效果低下。
已经是开发人员的人在学习新的技术的时候,单纯的去了解相关技术,没有目的,没有问题,不去想这种技术可以做什么,准备做什么?这样的学习也是效率低。

我们都知道问题是解决不完的,总会有新的问题不断的出现,但不要放弃寻找最佳的解决方案。就像伟大的数学家波利亚所说:

「没有任何一个题目是彻底完成的了。总还会有些事情可做;在经过充分的研究和猜测之后,我们可以将任何解题方法加以改进;而且无论如何,我们总可以深化我们对答案的理解。」

问题是我们引向学习的起点,也是我们学习的方向,

一位优秀的深度学习者,必定是一个优秀的提问者,他从阅读、观察和思考的过程中产生问题,先解答表层的、容易的那部分,留下深度的、探索式的问题给自己,被问题所困扰和折磨,同时开启之后的求知之路。

解码

学习要带着问题去学习,而解码即解决问题的角度,可以站在不同的位置去思考这个问题。对问题的定义进行思考等等 可阅读《你的灯亮着吗》

解码是一个费时费力的过程。很多时候,我们看一本书、看一幅画或者看一部电影,都是蜻蜓点水,获得一些模糊的体验、自认为足够和旁人吹嘘几句就完事了,并不愿去深究。因为深究起来,一本书恐怕读上一年都读不尽,一部电影看上十遍也看不完。但是,这不是不加以深究的理由。所谓学习,本身就要注重深度和广度的结合。广度不够让人闭塞,深度不够让人只得皮毛。所以在时间有限的条件下,我们需要尽量去找最经典、最优秀的作品,进行深度解码、模仿参研。卡尔维诺在《为什么要读经典作品》一文中说:「一部经典作品是一本每次重读都好像初读那样带来发现的书」

关于如何解码,作者提出了三种方法:

  • 不要只去寻找结论,还要寻找过程,在解题的过程中,我们会了解到很多与题目无关的东西,而这些东西有时候对我们也是有帮助的。

  • 不要只去归纳,还要去延展。作为工科生,经常做的是摘要,概括,长话短说,这样固然可以提高自己的抓住重点能力,但是一些细节都被我们忽略掉了。在做归纳的时候,提醒自己,能不能再原有的基础上进行扩展。锻炼自己陈述的能力,能不能连续不断的陈述15分钟

  • 比较事物之间的相似与不同之处。大部分人,经常比较的是两者之间有什么一样的地方,这样在学习的时候更容易类比,与迁移知识。这时候可去试着发现两者之间具体有哪些不同的地方,发现不同之处则提升自己对事物的总貌有个认知。

正如法国大科学家庞加莱在《科学与方法》中写道:「正是例外变得重要起来。我们不去寻求相似;我们尤其要全力找出差别,在差别中我们首先应该选择最受强调的东西,这不仅因为它们最为引人注目,而且因为它们最富有启发性。」

作者的这三种解题方法可供参考。

操练

提到操练,既动手解决问题,不是停留在自己的想象之中。关于操练作者也给了几种操练方法。

  • 写作式操练,能详细讲出自己问题的人,离解决问题已经不远了,另外教是最好的学习,将自己的知识通过自己理解的方式写出来,本身就有助于自己对知识的融合

  • 游戏式操练。

      1. 提供即时和丰富的反馈,包括视觉、听觉,甚至触觉(如 Wii)。
      1. 营造动态和多变的情境。即便使用一些简单的随机性设定就可以使情境变得复杂多变,这样玩家就不会因单调重复而感到枯燥。
      1. 适度的挑战性构成对学习的激励。挑战的难度随玩家的经验和成就而逐渐上升,使其既不会因挑战过难而严重受挫也不会因为过于简单而失去兴味。
  • 设计式操练,设计式的操练就是调用已有的知识,去通过设计某一种解决方案,来解决某个特定的问题。「设计」有一个非常流行的定义:「设计就是解决问题」。因此设计式操练的好处,就是迫使学习者为了解决某一个现实的问题,来综合性、创造性地调用知识。

提到设计,想起了程序设计,优秀的开发人员最擅长的就是设计,我们需要设计一个系统,让用户如何在里面使用系统,设计的软件是如何运作,需要遵循哪些原则等等。
做程序设计,在思考这种问题的时候虽然费脑力,但对自己确实帮助不小。每个行业都有自己创造的点。

设计式操练案例:

《三国杀》的创作者黄恺是一个 80 后,他从小就是一个游戏迷,也是一个三国迷,这点其实并没有什么特别,不过他与别人不同的一点是,他曾经经常思考的一个问题是如何去修改游戏的规则、创造出新的游戏。当时只有大二的他,运用自己长期积累的游戏知识和三国知识,花了一个晚上的时间,设计出了《三国杀》的第一稿,从此开启成功之路。我想很多人是历史爱好者,也有很多人是小说迷,那么有多少人想过,运用这些知识,去设计一款自己的卡牌游戏呢?难道它真的有你想象的那么难吗?还是你根本就没有意识到,你大脑中的知识,其实是可以这样去充分地运用和发挥出来的?

总结

作者写的4个部分,虽然在说如何深度学习,看起来也像是如何更好的解决问题。毕竟学习即为了解决生活中实际的问题。
1、首先定义好自己的问题,好的提问。找到问题的所在
2、然后解题,通过一切可尝试的方法进行解题,多种方案,选择自认为最好的,不断尝试
3、成功解题之后,学到了解题的方法,学到的新的技能,试着融汇贯通,举一反三,以后遇到相似的问题,再也不用担心了。

目录
相关文章
|
2天前
|
机器学习/深度学习 边缘计算 计算机视觉
基于深度学习的图像识别优化技术研究
【5月更文挑战第5天】 在当前的计算机视觉领域,图像识别技术已取得显著进展,尤其是深度学习方法的广泛应用。然而,随着数据量的日益增加和模型复杂度的提升,如何提高图像识别的效率与准确性成为新的挑战。本文提出了一种基于改进卷积神经网络(CNN)的图像识别优化技术,旨在减少模型参数量、加速推理过程,并保持甚至提升识别精度。通过引入深度可分离卷积、注意力机制以及量化剪枝策略,该技术在多个标准数据集上显示出了卓越的性能。
|
3天前
|
机器学习/深度学习 算法 大数据
探索深度学习在图像识别领域的前沿技术
【5月更文挑战第4天】 当前,深度学习技术正以其卓越的数据处理能力重塑多个科学领域,尤其是在图像识别这一计算机视觉的核心问题上取得了显著进展。本文聚焦于深度学习在图像识别应用中的最新发展,探讨了卷积神经网络(CNN)的高级架构、数据增强、迁移学习以及对抗性训练等关键技术。通过比较传统方法与现代深度学习策略的效能差异,揭示了深度学习在提升图像识别准确性方面的潜力。此外,文章还讨论了模型泛化和优化方面的挑战,并对未来可能的研究方向提供了展望。
20 6
|
3天前
|
机器学习/深度学习 算法 计算机视觉
揭秘深度学习在图像识别中的核心技术
【5月更文挑战第3天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的重要力量。本文将深入探讨深度学习在图像识别任务中的应用,解析其背后的关键技术和算法。我们将从卷积神经网络(CNN)的结构出发,讨论其在特征提取方面的高效性,并分析训练深度网络时所采用的优化策略和正则化技术。此外,文中还将介绍最新的研究进展,包括迁移学习、数据增强以及对抗性网络等高级概念。通过综合评述这些技术,本文旨在为读者提供一个全面的视角,理解深度学习如何革新图像识别领域。
25 12
|
4天前
|
机器学习/深度学习 传感器 边缘计算
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第3天】 随着人工智能技术的飞速发展,深度学习已经成为推动技术创新的关键力量。特别是在图像识别领域,深度学习技术通过模仿人脑处理视觉信息的方式,显著提升了机器识别和理解图像的能力。本文主要探讨了深度学习在自动驾驶系统中图像识别的应用,包括车辆检测、行人识别、交通标志识别等关键功能,并分析了当前的挑战及未来的发展趋势。
|
4天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第2天】 随着人工智能技术的飞速发展,深度学习已经成为推动多个科技领域进步的关键力量。特别是在图像识别技术方面,深度学习的应用已经极大地改善了算法的准确性和效率。本文将探讨深度学习在图像识别中的核心机制,并重点分析其在自动驾驶系统中的具体应用,包括车辆检测、行人识别以及交通标志识别等关键技术点。通过综合现有研究成果与最新技术动态,本文旨在为读者提供一个关于如何利用深度学习提升自动驾驶系统性能的全面视角。
|
5天前
|
机器学习/深度学习 人工智能 计算机视觉
基于深度学习的图像识别技术优化策略
【5月更文挑战第1天】 在当前的人工智能领域,图像识别技术已经取得了显著的进步,特别是随着深度学习方法的应用。然而,为了实现更高效准确的图像处理,本文探讨了几种可能的优化策略。这些策略旨在提高模型的性能、减少计算成本以及增强模型对不同数据集的泛化能力。我们将重点讨论数据增强、网络结构调整、知识蒸馏和迁移学习等技术,并通过实验验证所提出策略的有效性。
16 1
|
6天前
|
机器学习/深度学习 监控 自动驾驶
基于深度学习的图像识别技术及其应用
【5月更文挑战第1天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的关键力量。本文旨在探讨基于深度学习的图像识别技术,并分析其在多个领域的实际应用。首先,文章概述了深度学习在图像处理中的基本概念和关键技术;其次,详细讨论了卷积神经网络(CNN)的结构和工作原理;然后,通过实例展示了图像识别技术在医疗诊断、自动驾驶以及安全监控中的应用;最后,探讨了当前面临的挑战及未来的发展趋势。本文不仅为专业人士提供了深入的技术分析,也为非专业读者呈现了图像识别技术的广泛应用前景。
16 5
|
6天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在图像识别中的应用与挑战探索机器学习中的自然语言处理技术
【4月更文挑战第30天】 随着人工智能技术的飞速发展,深度学习已经成为计算机视觉领域的核心动力。本文将探讨深度学习在图像识别任务中的关键技术、应用实例以及面临的主要挑战。我们将重点讨论卷积神经网络(CNN)的架构优化、数据增强技术以及迁移学习的策略,并通过具体案例分析其在医疗影像、自动驾驶和面部识别等领域的应用成效。同时,我们也将指出当前模型泛化能力不足、对抗性攻击以及算力资源需求等挑战,并提出潜在的解决方向。 【4月更文挑战第30天】 在人工智能领域,自然语言处理(NLP)是赋予机器理解和响应人类语言能力的关键技术。本文将深入探讨NLP的发展历程、核心技术及其在不同领域的应用案例。我们将从
|
6天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶领域的应用
【4月更文挑战第30天】 随着人工智能技术的飞速发展,深度学习作为其核心分支之一,在图像识别领域取得了显著的成就。本文聚焦于探讨基于深度学习的图像识别技术如何革新自动驾驶系统,提高其准确性和可靠性。文中首先概述了深度学习的基本概念及其在图像处理中的关键作用,随后深入分析了卷积神经网络(CNN)与循环神经网络(RNN)等模型在自动驾驶车辆环境感知中的应用。此外,文章还探讨了数据增强、迁移学习等策略对提升模型性能的影响。最后,本文讨论了当前该技术面临的挑战及未来的发展趋势。
|
6天前
|
机器学习/深度学习 自动驾驶 安全
基于深度学习的图像识别技术在自动驾驶系统中的应用网络安全与信息安全:防御前线的关键技术与意识
【4月更文挑战第30天】随着人工智能技术的飞速发展,深度学习已成为推动多个技术领域革新的核心力量。特别是在图像识别领域,深度学习模型已展现出超越传统算法的性能。在自动驾驶系统中,准确的图像识别是确保行车安全和高效导航的基础。本文将探讨深度学习在自动驾驶中图像识别的应用,分析关键技术挑战,并提出未来的发展方向。