博客
深度学习之旅-要避免的事情
人工智能

深度学习之旅-要避免的事情

2021年7月15日, 5分钟读.
0%

之前我写了一篇 article 建议当你开始深度学习之旅时该做什么. 这篇文章是关于什么的 不做.

1. 不要过分沉迷于术语

不要过分沉迷于术语

相信我——你可以在不知道机器学习术语的完美正式定义的情况下学习深度学习, 数据科学, 人工智能, 深度学习, 大数据, 数据挖掘等等,以及它们的差异和相互关系.

不过高层次的理解会很有帮助, 如果你一开始无法弄清楚哪种人工智能不是机器学习,以及深度学习与神经网络有何不同,那也没关系. 你对一件事情了解得越多,就会逐渐帮助你理解它与其他事情的不同之处. 你会成功的! 相信我的话.

2. 不要看这张照片,或者任何类似于这张照片的东西,甚至也不要看这张照片. 闭上你的眼睛. 快速向上滚动,移动到下一段.

神经元

对我来说——这个宇宙中(在我的国家的政客之后)最没用(甚至有害)的东西就是上面这张照片.

可能没有一本深度学习的书或教程不开始描述生物神经网络,突出这些图片. 虽然意图是好的——帮助你了解神经网络是如何工作的,说明人类大脑是如何工作的, 这并没有什么帮助.

原因之一是,你可能不知道人类大脑是如何工作的. 如果你像我一样, 在没有完全理解之前的章节的情况下,谁会不舒服地继续阅读后面的章节呢, 这些照片肯定会把你吓跑的. 在我的例子中, 我花了很多时间研究轴突, 树突, 突触假设这些概念将在后面的章节中需要.

不幸的是,我花了好几年的时间才做出勇敢的决定,跳过这张图片,继续前进. 从那时起已经有相当长的时间了, 现在我对轴突的基本原理有了相当好的理解, 突触再也没有出现过——一次也没有(我记得没有).

3. 带着不完全的知识前进,不要犹豫

带着不完全的知识前进,不要犹豫

信贷: http://clipart-library.com

这是最后一点的延伸. 不像你的三角学课本, 你需要理解每一章才能开始下一章——同样的方法在深度学习中可能不太实用. 还记得, 深度学习建立在一大堆学科之上——微积分, 统计数据, 概率, 比如线性代数.

你肯定会遇到一些你希望在高中毕业后没有忘记的话题. 在这种情况下,不要为了重新掌握主题知识而停下来——这会让你的旅程更加艰难,你会发现很难继续下去(除非你像罗伯特·布鲁斯一样下定决心).

举个具体的例子,在你们深度学习之旅的第一天, 你可能会遇到" s型函数"的概念. 这个公式可能看起来很可怕,特别是如果你很久以前就离开了学校. 继续讲下去, 你只需要说服自己现在你需要理解的是这个函数对于任何输入都给出了0到1之间的输出.

此外,它还确保了一些非线性,以捕捉比线性关系更复杂的关系. 最好不要完全停止深度学习, 用一周的时间学习欧拉数(e),加深对s型函数的理解.

另一方面,欧拉数很热门! 花几个月甚至几年的时间来了解它背后的直觉可能是值得的. 但是生命太短暂了,你必须明智地利用你的时间,保持专注来完成你的目标.

4. 开始使用代码时不要迟到

你好世界

多年来,我一直以为自己了解神经网络的基本结构. 直到我从零开始建立了我的第一个基本神经网络,我才意识到我错了. 在视频教程上花了几个小时之后, 您可能会产生类似的错觉——但在构建自己的机器之前很难验证.

在你对层次、神经元、权重、偏差有了一定的了解之后,选择一种语言. 打开一个IDE. 在YouTube上找到一个视频-跟随并继续编码.

您可以在编写代码的同时进行研究. 熟悉编码的一大优势是,您可以快速将自己的知识与代码联系起来,并自己尝试各种不同的东西. 一个更大的原因是——“数千行理论有时被写在几行代码中”这一事实会让你更有动力继续下去.

5. 不要低估玩具的例子

不要低估玩具的例子

比如,你遇到一个非常简单的教程,比如从摄氏温度预测华氏温度. 首先,你会发现缺乏热情,因为你不关心华氏度. 你想建立自己的索菲亚或终结者-和教程是英里和英里之外. 其次, 如果你从教程开始,并在某一点上遇到困难, 你开始感到沮丧,想如果我不能理解这些简单的例子,我怎么能构建我的Sofia.

现在-玩具的例子不应该是容易的,所以当你卡住的时候不要难过. 它们之所以优秀,是因为它们只专注于核心理念. 其他概念,使玩具真正的机器-是相对容易或不优先理解. 以“从摄氏温度预测华氏温度”为例.

它看起来没有“识别手写数字”那么花哨(与其他更接近现实生活的问题相比,甚至这个问题也可能是一个“玩具”). 但是“识别手写数字”需要一些读和解释图像的预处理. 也, 一个初学者, 很难想象网络中单个像素是如何被处理的.

更简单的问题,比如华氏度的情况, 您可以从这些预处理工作中解脱出来,并将所有精力集中在理解向前和向后传递是如何工作的以及参数是如何更新的. 然后你可以通过学习激活函数和预测非线性关系来逐步加强你的理解.

现在,您需要学习的唯一一件事,以将这些知识应用于图像(手写数字或您最喜欢的名人)是将图像表示为矩阵, 哪个不难学.

6. 不要挑剔工具

不要挑剔工具

你对工具有偏好吗? 去与他们. 如果你完全不知道——不要浪费时间研究它们,听我说. 只要开始使用Python和JupyerLab.

7. 不要沮丧地重述

不要沮丧地重述

当你投入了大量的时间和精力之后理解了某事, 后来发现你的理解并不像你想象的那么完整——很难不感到沮丧.

在我的例子中, 在构建美国有线电视新闻网, RNN, 变压器, 甚至更复杂的网络, 我不得不回到我的基本网络实现,才发现我之前遗漏了一些核心概念. 你可能有同样的经历——需要习惯它!

你读了很多书. 太阳集团城娱8722这样的

订阅