深度学习入门-基于python的理论和实践--读书笔记2

个人感想

整个深度计算的流程，概括的来说。就是
定义随机点(参数) --> 计算损失 --> 计算梯度--> 更新点(参数）： 追求损失函数到满意值的一个过程

而层相关的概念，主要是为了简化计算。具体可以见第五章计算图的说法。而简化计算。主要是两个方面。

1. 简化正向计算，使得计算能够比较方面的理解，一个层可以抽象为一种计算。而整个AI的推演过程中，这样使得人能够理解
2. 简化反向计算，也就是计算梯度，这样可以方便的进行一些更新参数

参数和超参的差异要了解。

笔记

第六章阅读笔记

看到这里，觉得这本书主要讲了几点。
第一，什么深度学习，深度学习有多少相关的元素。
第二，就是元素怎么优化。

没有将具体怎么设计或者说编排这些元素。

激活函数(第三章)
损失函数的比较方法(第四章）
参数调试方式(五章)
一些杂项。权重，Normalization，防止过拟合，还有超参的调整(第六章)

第七章

关于卷积层

这里的卷积层，就好像中间有个镂空的方格，把背景看一遍。然后每看一次的这个镂空的地方看的东西，获得一个snapshot。报告

这个卷积层就好像是一个滤镜，或者说特征。然后分析的是他的报告的感觉。

关于im2col函数

这个函数，做的就是为了方便计算而做了一个转换。

卷积计算，其实是吧滤波器在原始数据上面一块一块的扫过去(做卷积计算)。

而这个，就是把一块一块变成一行数据。然后滤波器也是做一样的事情。最后，就是2维数据和2维数据之间做的计算。

就是为了方便一点。

其实这里我完全看不懂。这个im2col是怎么干的。就是知道他要把一个高纬度的东西拍平。

其实这里关键还是要有线性代数的知识。脑子里面一片混乱啊。