前言

進(jìn)入正文前，我們先來看則新聞：

只看圖不多說。

由此可見國家對(duì)人工智能的重視程序，趁早學(xué)習(xí)，讓我們也貢獻(xiàn)一份力量。

這篇文章要說的東西

研究生有不少日子，和之前的幾個(gè)學(xué)長以及幾個(gè)學(xué)弟偶爾也聊聊天。大部分聊的話題無關(guān)乎這幾年大火的機(jī)器學(xué)習(xí)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，而這篇文章的目的，則是從學(xué)生的角度（不管是研究生還是即將步入研究生的本科生）來看待這個(gè)大方向和大趨勢(shì)，也是為了替那些剛?cè)腴T或者準(zhǔn)備入門機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺、圖像處理、語音識(shí)別及處理等等等相關(guān)方向的童鞋，或者研一童鞋學(xué)習(xí)相關(guān)方向迷茫者了清一些基本的概念，以及解決這些“名詞”代表什么，應(yīng)該怎么選擇，怎么入門的問題，畢竟誰當(dāng)年也迷茫過，多一些傳承，就少走一些彎路。

涉及到的相關(guān)專業(yè)

多了去了，現(xiàn)在什么專業(yè)只要和算法沾點(diǎn)關(guān)系，差不多都可以搞機(jī)器學(xué)習(xí)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，舉幾個(gè)比較常見的專業(yè)：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、圖像處理、計(jì)算機(jī)視覺、大數(shù)據(jù)處理、信息檢索、智能系統(tǒng)、數(shù)據(jù)挖掘、并行計(jì)算、圖形圖像處理、大數(shù)據(jù)處理與可視化分析…

案頭的兩本書，經(jīng)典的西瓜書和深度學(xué)習(xí)圣經(jīng)。

涉及到相關(guān)的應(yīng)用

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面的應(yīng)用太多，什么圖像分割，語言識(shí)別，超分辨率，圖像跟蹤，圖像生成等等等等，具體到每個(gè)小的領(lǐng)域都有相關(guān)方面的應(yīng)用，在這里簡(jiǎn)單隨便介紹兩個(gè)使用場(chǎng)景。

機(jī)器學(xué)習(xí)：比如淘寶推薦，有那么一兩天心血來找突然想買一個(gè)游戲機(jī)。你打開手機(jī)淘寶App后點(diǎn)擊搜索，輸入某款游戲機(jī)的名字（例如：switch），查看一些賣游戲機(jī)的店的信息。這個(gè)時(shí)候淘寶就已經(jīng)在記錄你的信息了，不管你點(diǎn)開哪個(gè)店主的網(wǎng)店，淘寶都會(huì)收集你的偏好，淘寶會(huì)記錄你點(diǎn)開的每一個(gè)鏈接，每一個(gè)鏈接的內(nèi)容都給你記錄下來。當(dāng)你下一次登錄淘寶App的時(shí)候，淘寶就會(huì)根據(jù)在你這邊收集的信息和機(jī)器學(xué)習(xí)算法來分析你的愛好和特點(diǎn)進(jìn)而給你推送一些比較適合你的，你可能喜歡的物品。

深度學(xué)習(xí)：再比如之前很火的換臉項(xiàng)目-DeepFake：

通過變分自編碼器提取一張圖片的特征信息，再根據(jù)另一張圖片的特征信息還原出來

上面每三個(gè)圖中，最左邊是川普的臉，而最右邊則是尼古拉的臉，通過自編碼器提取特征進(jìn)行生成。通過這個(gè)甚至可以對(duì)視頻進(jìn)行以假亂真，這是個(gè)深度學(xué)習(xí)的應(yīng)用，對(duì)這個(gè)項(xiàng)目有興趣的可以看其源碼：https://github.com/Oldpan/faceswap-pytorch

正文

首先聲明，正文部分可能沒有你們想象的那么多，這篇文章并不妄想將所有的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的知識(shí)概括并整理出來，沒有什么意義。因?yàn)?#xff0c;一是機(jī)器學(xué)習(xí)涉及到的公式算法很多很多，寫那么多公式對(duì)初學(xué)者并不友好，本來是入門很簡(jiǎn)單的一件事情沒有必要復(fù)雜化，二是這篇文章的定位不是機(jī)器學(xué)習(xí)也不是深度學(xué)習(xí)教材，當(dāng)然也不是科普文，這篇文章是以大學(xué)生的角度來談一談這個(gè)話題，把我的一些經(jīng)驗(yàn)跟大家分享分享。

開始說正事，不論你之前干什么學(xué)什么，在什么專業(yè)什么領(lǐng)域，不用擔(dān)心。有一些編程基礎(chǔ)（C/C++），還有一些數(shù)學(xué)的基本知識(shí)（高數(shù)、線性代數(shù)、概率統(tǒng)計(jì)）就可以了，另外，機(jī)器學(xué)習(xí)主要使用的語言是python。python（派森），想必大家不管熟悉不熟悉總歸是聽說過，對(duì)，這個(gè)語言很火，很強(qiáng)大，很牛逼，無所不能，機(jī)器學(xué)習(xí)和python有著很緊密的聯(lián)系。很多的深度學(xué)習(xí)庫都是使用python語言進(jìn)行編程的，所以學(xué)習(xí)這門語言也是有必要的。

機(jī)器學(xué)習(xí)

首先說明機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系：深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子集，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)領(lǐng)域，一小塊部分，想要了解深度學(xué)習(xí)，首先要了解機(jī)器學(xué)習(xí)。

人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)關(guān)系圖

通過上面這張圖可以看出人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系，人工智能的范圍很廣，當(dāng)然不止包括機(jī)器學(xué)習(xí)，而深度學(xué)習(xí)只是機(jī)器學(xué)習(xí)的一個(gè)比較重要的子集。剛開始看很容易搞混，雖然理論上深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一部分，但機(jī)器學(xué)習(xí)和深度學(xué)習(xí)主要定位目標(biāo)還是可以區(qū)分出來的，機(jī)器學(xué)習(xí)主要是對(duì)文本數(shù)據(jù)進(jìn)行處理（表格中的數(shù)據(jù)），而深度學(xué)習(xí)則主要對(duì)圖像和語音這些方面進(jìn)行處理。

關(guān)于機(jī)器學(xué)習(xí)的歷史，這里不多說，網(wǎng)上一抓一大把，自行查閱即可。也以看看機(jī)器學(xué)習(xí)西瓜書（就是上文圖片中擺出的）上面對(duì)機(jī)器學(xué)習(xí)歷史的介紹。

?

那到底什么是機(jī)器學(xué)習(xí)，本質(zhì)上就是利用一些數(shù)學(xué)算法來解決實(shí)際問題。并且這些數(shù)學(xué)算法我們都學(xué)過一些。做過數(shù)學(xué)建模的同學(xué)們或多或少接觸過機(jī)器學(xué)習(xí)的知識(shí)，當(dāng)你使用matlab在對(duì)一個(gè)函數(shù)進(jìn)行線性擬合的時(shí)候，你已經(jīng)在用機(jī)器學(xué)習(xí)了。

機(jī)器學(xué)習(xí)的一般過程大致分為：

• 獲取你需要的數(shù)據(jù)（獲取數(shù)據(jù)，整理數(shù)據(jù)，數(shù)據(jù)增強(qiáng)）
• 對(duì)數(shù)據(jù)進(jìn)行分析（數(shù)據(jù)預(yù)處理）
• 使用相應(yīng)的算法，對(duì)數(shù)據(jù)進(jìn)行處理（機(jī)器學(xué)習(xí)算法）
• 然后得出結(jié)果的過程。（輸出結(jié)果）

直白點(diǎn)，假如我們把算法想象成一個(gè)簡(jiǎn)單的函數(shù)（這個(gè)函數(shù)就是你設(shè)計(jì)的算法）: y = x + 2。
x 就是輸入也就是數(shù)據(jù)，y就是輸出也就是你要得到的結(jié)果，x + 2 這個(gè)過程就是你算法的過程。

簡(jiǎn)單吧，再來個(gè)稍微復(fù)雜點(diǎn)的函數(shù)： 5 = w*x + 4。

這個(gè)函數(shù)不是方程嗎？對(duì)，這是個(gè)方程，如果我們得到了x的值，相應(yīng)地我們就可以求出w。但我們現(xiàn)在不以方程的角度去想他，讓我們以機(jī)器學(xué)習(xí)的角度去想它。

假設(shè)，上面那個(gè)函數(shù)我們現(xiàn)在不能一眼看出結(jié)果。上面的函數(shù)是我們?cè)O(shè)計(jì)的一個(gè)機(jī)器學(xué)習(xí)算法，使這個(gè)算法通過輸入我們給的數(shù)據(jù)x然后得到一個(gè)結(jié)果（假設(shè)我們要得到的結(jié)果是5），于是，上面這個(gè)機(jī)器學(xué)習(xí)算法（函數(shù)）是我們自己設(shè)計(jì)的，我們想要通過輸入x來得到輸出5。

于是我們?cè)O(shè)計(jì)了： 5 = w*x + 4。

然后怎么辦呢，機(jī)器學(xué)習(xí)，就是機(jī)器進(jìn)行學(xué)習(xí)的過程。在機(jī)器學(xué)習(xí)中，我們想要我們?cè)O(shè)計(jì)的這個(gè)算法能夠逐漸學(xué)習(xí)如何去得到最終結(jié)果，這個(gè)過程就是通過訓(xùn)練來得到的。

訓(xùn)練肯定和實(shí)戰(zhàn)是不一樣的，一般在我們機(jī)器學(xué)習(xí)的過程中，我們數(shù)據(jù)集分為兩個(gè)部分，訓(xùn)練集和測(cè)試集，相當(dāng)于練習(xí)和實(shí)戰(zhàn)了。當(dāng)然訓(xùn)練這個(gè)過程是針對(duì)有監(jiān)督學(xué)習(xí)的，什么是有監(jiān)督學(xué)習(xí)，簡(jiǎn)單來說就是有l(wèi)abel，有標(biāo)記。比如給你一張圖，上面畫有一只貓，這張圖對(duì)應(yīng)的標(biāo)記就是1，如果這張圖上面是一條狗，那么這張圖對(duì)應(yīng)的標(biāo)記是2，我們讓機(jī)器學(xué)習(xí)去判斷一系列上面有貓和狗的圖片，在訓(xùn)練過程中我們給予其正確的圖和相應(yīng)標(biāo)記。可以理解為給一個(gè)幾歲小孩讓它認(rèn)圖，給他貓的圖他說1，給他狗的圖他說2，如果錯(cuò)了讓這個(gè)小孩記住狗的特征，下次可能就不會(huì)認(rèn)錯(cuò)了。這種學(xué)習(xí)過程就是有監(jiān)督，在學(xué)習(xí)過程中知道自個(gè)兒做出判斷是否正確，或者說有人監(jiān)督你，告訴你哪些你的判斷錯(cuò)了。

上圖取自cs231n，上面這張圖最右面是算法得出的結(jié)果，分?jǐn)?shù)最高的一項(xiàng)就是算法判斷出最有可能的結(jié)果（上面顯然判斷錯(cuò)了，本來是貓的圖，但是貓的得到為負(fù)，而狗的得分是437，顯然此時(shí)的算法錯(cuò)把貓識(shí)別成狗了，需要繼續(xù)“操練”（訓(xùn)練））。

而無監(jiān)督學(xué)習(xí)，就不需要標(biāo)記了，讓你憑自己的感覺去判斷是否正確，就像給你一堆三角形、圓形、或者長方形的卡片讓你將他們擺成三類。你憑借對(duì)這些卡片的形狀進(jìn)行區(qū)別，從而將這些卡片分為三類。

回到我們之前的問題：5 = w*x + 4。

首先我們不知道w是多少，這里我們把w稱之為權(quán)重。我們假設(shè)這個(gè)w是1（這是權(quán)重的初始化，而初始化方法也有很多），然后我們要求的輸入x是2（這里的輸入是固定的，是2也只能是2，2在這里相當(dāng)于數(shù)據(jù)，從生活中獲得到的數(shù)據(jù)，比如你往自動(dòng)售水機(jī)投入1個(gè)硬幣會(huì)出來一瓶礦泉水，這里的1就是輸入，你投入0.5個(gè)或者2個(gè)硬幣都不會(huì)得到礦泉水）。

這樣，x是2，w是1，這是我們第一次嘗試，我們運(yùn)行一遍算法，很快我們發(fā)現(xiàn)，1*2 + 4 = 6。6不等于5，結(jié)果當(dāng)然錯(cuò)了。

錯(cuò)了就錯(cuò)了嗎？為了達(dá)到正確的結(jié)果，我們要設(shè)計(jì)一個(gè)標(biāo)準(zhǔn)，在這里我們?cè)O(shè)計(jì)一個(gè)Loss，以下簡(jiǎn)稱為L，我們令L = y - 5，是我們算法結(jié)果和正確結(jié)果（這里的正確結(jié)果又可以稱之為Ground truth）的差。這個(gè)Loss就是損失，這個(gè)函數(shù)就是損失函數(shù)，損失函數(shù)表明了我們算法得出的結(jié)果和實(shí)際的結(jié)果中有多大的差距，當(dāng)L為0時(shí)，說明我們的算法可以完美地得到我們想要的結(jié)果。

但顯然這里的L是6-5=1，損失不為0，我們對(duì)損失L進(jìn)行求對(duì)權(quán)重w的導(dǎo)數(shù)，通過鏈?zhǔn)椒▌t來進(jìn)行：

dL/dw = dL/dy * dy/dw

很顯然可以得到 dL/dw = 1*2(x帶入為2)。

于是我們得到了損失對(duì)輸入的導(dǎo)數(shù)，在這里我們?cè)俣x一個(gè)學(xué)習(xí)率:r（learning rate）我們?cè)O(shè)其為：0.1，于是接下來我們得到了關(guān)于x的梯度下降公式：

w = w - r * dL/dw

帶入具體數(shù)字：

w = 1 - 0.1 * 2 = 0.8

此時(shí)，權(quán)重w為0.8。

回到最開始的公式：w*x + 4 = 0.8 * 2 + 4 = 5.6

雖然5.6依然不等于5，但是相比于之前的結(jié)果6來說，稍微接近了，從L中就可以看出來，L = y - 5 = 5.6 - 5 = 0.6，經(jīng)過一次“學(xué)習(xí)過程”損失變小了。

看到這里很容易發(fā)現(xiàn)，這個(gè)學(xué)習(xí)率如果改成0.2那么豈不損失下降的更快？當(dāng)然，學(xué)習(xí)率是超參數(shù)（即根據(jù)經(jīng)驗(yàn)來設(shè)置的參數(shù)），是由我們自行設(shè)定的，太高太低都不好，合適即可。

借用cs231n課程中的一張圖：

epoch即訓(xùn)練次數(shù)，不同的學(xué)習(xí)率造成的結(jié)果是不一樣的，合適即可。

這樣，我們只訓(xùn)練了一次使損失由1降為0.6，當(dāng)我們訓(xùn)練多次的時(shí)候loss會(huì)繼續(xù)下降，但需要注意，loss并不會(huì)“恰好”地降為0，這種情況很少見，我們以后在實(shí)驗(yàn)中l(wèi)oss降到一定程度不會(huì)發(fā)生變化說明已經(jīng)訓(xùn)練結(jié)束了。

機(jī)器學(xué)習(xí)暫且說這么多。

深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一部分，可以歸納為具有網(wǎng)絡(luò)層數(shù)更深的神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)的講解內(nèi)容網(wǎng)上很多，不再贅述，大家可以看下文的相關(guān)資料部分。

相關(guān)資料

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)相關(guān)的資料很多，如果想全面列舉的話，100頁的篇幅都列舉不完，在這里我只向初學(xué)者推薦一些極具性價(jià)比的一些資料。另外，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)理論上不分家，但是既然要學(xué)習(xí)有個(gè)先后過程是比較好的，我的建議是先對(duì)機(jī)器學(xué)習(xí)有全面的認(rèn)識(shí)和實(shí)踐，然后再來進(jìn)行深度學(xué)習(xí)，這樣基礎(chǔ)將會(huì)很扎實(shí)。

書籍

• 推薦程序員的數(shù)學(xué)系列，一共有三本（第一本稍微雞肋，后兩本干貨較多），分別是程序員的數(shù)學(xué)1，線性代數(shù)（程序員的數(shù)學(xué)2）以及概率統(tǒng)計(jì)（程序員的數(shù)學(xué)3），這三本可以有效補(bǔ)充我們所需要的線性代數(shù)和概率統(tǒng)計(jì)知識(shí)。
  
• 《周志華-機(jī)器學(xué)習(xí)-清華大學(xué)出版社》，可以作為案頭的參考書，類似于教材，如果一章一章看的話是比較枯燥的。建議有需求的時(shí)候看，書中有很多公式和基礎(chǔ)知識(shí)：https://book.douban.com/subject/26708119/
• 《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》，從名字中就可以看出來，這本書主要是將利用python程序來編寫機(jī)器學(xué)習(xí)相關(guān)算法的，講解公式比較少，更多的是實(shí)戰(zhàn)代碼：https://book.douban.com/subject/24703171/
• 《深度學(xué)習(xí)-人名郵電出版社》，同樣作為案頭的參考書，書中的內(nèi)容很詳實(shí)，前幾章介紹了深度學(xué)習(xí)需要的機(jī)器學(xué)習(xí)只是基礎(chǔ)，在之后開始講解深度學(xué)習(xí)的一系列知識(shí)以及公式，基本現(xiàn)在所用的大部分深度學(xué)習(xí)基礎(chǔ)算法上面都有講，偽代碼和公式并存：https://book.douban.com/subject/27087503/
• 李航教授的《統(tǒng)計(jì)學(xué)習(xí)方法》，這本書配合機(jī)器學(xué)習(xí)西瓜書看大概可以覆蓋99%的機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)，但同樣這本書只是講解一些原理和公式，最好還是結(jié)合實(shí)戰(zhàn)來進(jìn)行練習(xí)。

視頻資料

• 吳恩達(dá)系列：網(wǎng)上所說吳恩達(dá)的課程一般是這兩個(gè)：一個(gè)是Coursera上的machine-learning|Coursera，另一個(gè)則是斯坦福大學(xué)課程：cs229:Maching Learning，這兩門課都是對(duì)機(jī)器學(xué)習(xí)相關(guān)的數(shù)學(xué)知識(shí)進(jìn)行講解，前者比后者簡(jiǎn)單一些，這門課程涉及到的公式較多而工程實(shí)踐講解很少，可能看起來比價(jià)枯燥但是對(duì)于打基礎(chǔ)還是很重要的。如果對(duì)英文不是很熟悉或者看視頻加載慢（視頻有時(shí)需要翻墻），可以考慮看國內(nèi)的搬運(yùn)：吳恩達(dá)給你的人工智能第一課、網(wǎng)易斯坦福機(jī)器學(xué)習(xí)吳恩達(dá)公開課。
  另外吳恩達(dá)最近打算新出一本結(jié)合工程實(shí)踐和數(shù)學(xué)講解的一本書，完全免費(fèi)只需要訂閱即可獲取，有興趣的可以看這里。
• 臺(tái)大李宏毅機(jī)器學(xué)深度學(xué)習(xí)課程:http://speech.ee.ntu.edu.tw/~tlkagk/talk.html， 比較出名的中文機(jī)器學(xué)習(xí)課程，講課很用心，講解使用的例子也比較生動(dòng)有趣，講課幽默詼諧，知識(shí)點(diǎn)和興趣并存，同樣推薦。
• cs231n:斯坦福大學(xué)的深度學(xué)習(xí)課程：http://cs231n.stanford.edu/，可以說這是全網(wǎng)最好，干貨最多的深度學(xué)習(xí)課程，從最基本的分類算法進(jìn)行講解，講解了神經(jīng)網(wǎng)絡(luò)所需要的所有基礎(chǔ)知識(shí)，也包含了深度學(xué)習(xí)中幾個(gè)經(jīng)典的神經(jīng)網(wǎng)絡(luò)架構(gòu)（VggNet、ResNet）、幾個(gè)比較出名的深度學(xué)習(xí)應(yīng)用，并且對(duì)比多個(gè)深度學(xué)習(xí)框架，最重要的是，課后作業(yè)很值得做，有一定難度而且可以學(xué)到很多重點(diǎn)。總之這門課強(qiáng)烈推薦。
• 優(yōu)達(dá)學(xué)城系列，優(yōu)達(dá)學(xué)城的課以工程示例優(yōu)秀著稱，每個(gè)課程最后包含的工程大都有趣而且適用，例如預(yù)測(cè)房價(jià)、小狗品種分類、生成電影劇本等。課程數(shù)量多但是每節(jié)很短，每小節(jié)都有問題需要回答，也有很多附帶知識(shí)供你學(xué)習(xí)，雖然有些知識(shí)講解可能不是很深，但是很適合入門。只是有一點(diǎn)…這些課不是免費(fèi)的，簡(jiǎn)單說一下，深度學(xué)習(xí)課程分兩個(gè)學(xué)期：第一學(xué)期3299元，第二學(xué)期3999。大部分人都負(fù)擔(dān)不起，不過我這里有錄制版，大家可以免費(fèi)下載：機(jī)器學(xué)習(xí)：鏈接:https://pan.baidu.com/s/1-nyrPm_EiVnQutFLxTmnyw 密碼:dll1，深度學(xué)習(xí)：鏈接:https://pan.baidu.com/s/1jHhBTu5QW8X4JK_mQyU4zQ 密碼:o24y。另外優(yōu)達(dá)學(xué)城除了機(jī)器學(xué)習(xí)深度學(xué)習(xí)有一些免費(fèi)的課程也很不錯(cuò)，大家可以去看看。

關(guān)于學(xué)習(xí)成本（配置）

這個(gè)是老生常談的問題，知乎上各路神仙說法紛紜，一千個(gè)讀者一千個(gè)哈姆雷特。我當(dāng)初也遇到過這樣的問題，選擇了一段時(shí)間，在這里總結(jié)一下。

如果你的方向是機(jī)器學(xué)習(xí)部分（不涉及神經(jīng)網(wǎng)絡(luò)，或者神經(jīng)網(wǎng)絡(luò)的層數(shù)不是很高的時(shí)候）對(duì)計(jì)算機(jī)的要求不是很高，普通筆記本電腦即可。帶不帶顯卡都無所謂。但是如果你主要方向是深度學(xué)習(xí)，需要處理圖像或者視頻信息，尤其當(dāng)你設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)的層數(shù)比較多的時(shí)候（層數(shù)深即深度學(xué)習(xí)），顯卡的作用就會(huì)體現(xiàn)出來，顯卡跑深度學(xué)習(xí)代碼是對(duì)于顯卡的選擇建議（前面是型號(hào)，后面是顯存大小）：入門GTX 1060 6g、性價(jià)比最高GTX 1070 8g，需要深入研究GTX 1080ti 11g，當(dāng)然你可以選泰坦顯卡（3w+)或者多顯卡，總之財(cái)富限制想象力。如果電腦上已經(jīng)有Nvidia的顯卡也是可以的，但要看計(jì)算能力是否足夠（一般capacity大于4.0勉強(qiáng)入門）是否可以使用，在這里查看你的顯卡的計(jì)算能力（compute capacity）夠不夠吧：https://developer.nvidia.com/cuda-gpus。

ps：因?yàn)橥诘V等各種因素等顯卡漲價(jià)較為厲害，該買還是得買，要將財(cái)富轉(zhuǎn)化為生產(chǎn)力。

附一個(gè)cpu、gpu測(cè)試深度學(xué)習(xí)運(yùn)算速度分析：https://github.com/jcjohnson/cnn-benchmarks。

總結(jié)

以上是生活随笔為你收集整理的一篇文章解决机器学习，深度学习入门疑惑的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。