Pytorch深度学习实践笔记1
🎬个人简介：一个全栈工程师的升级之路！
📋个人专栏：pytorch深度学习
🎀CSDN主页 发狂的小花
🌄人生秘诀：学习的本质就是极致重复!
《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili
目录
1 神经网络
2 感知机
3 表征学习（representation learning）和特征工程（feature engineering）
4 pytorch
1 神经网络
人类通过大脑来记忆训练事物，建立数学模型，进而在见到事物或者看到语言，来调用训练好的模型来推理识别抽象出一张图片或者抽象名称。下图是AI的一些分类：
演化到深度学习的一个简单的历程：
一些神经网络：
为什么会有深度学习？
（1）手动设计数学模型提取特征，特征检测器，比如fast、SIFT等比较困难
（2）SVM向量机处理大的数据集不太好
（3）越来越多的应用需要处理非结构数据，深度学习比较适合
2 感知机
（1）神经元
（2）感知机（深度学习）
多层感知机（MLPs）：输入层、隐藏层、输出层构成
输入层：接收数据
隐藏层：通过学习特征，forward，loss，激活函数，bp、优化器更新参数
输出层：输出满足一定训练后的参数、weights 和bias
反向传播：Back Propagation （链式求导法则，比较简单）
3 表征学习（representation learning）和特征工程（feature engineering）
representation learning：模型自动学习数据的表示，CNN、RNN等
Feature engineering：特征工程、让专家人为的提取特征
4 pytorch
（1）动态计算图（dynamical graph）
（2）tensor
（3）GPU加速
（4）接入很多模型，神经网络
（5）量化
（5）forward和backward的自动梯度的计算
（6）
PyTorch
pytorch.org/编辑
(7) MLPS
深度学习02-神经网络(MLP多层感知器)-CSDN博客
🌈我的分享也就到此结束啦🌈
如果我的分享也能对你有帮助，那就太好了！
若有不足，还请大家多多指正，我们一起学习交流！
📢未来的富豪们：点赞👍→收藏⭐→关注🔍，如果能评论下就太惊喜了！
感谢大家的观看和支持！最后，☺祝愿大家每天有钱赚！！！欢迎关注、关注！