B站学习笔记

深度学习

神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也是指的一个东西，DNN有时也叫做多层感知机（Multi-Layer perceptron,MLP）。

深度神经网络(Deep Neural Networks, 以下简称DNN)是深度学习的基础,

深度神经网络就是一个大规模的特征提取器

深度学习就是利用深度神经网络进行从数据中学习的技术

输入大量的数据，深度神经网络就会自己调节权重来拟合数据中的模式

卫生

把一层一层的比作公司不同的部门或者工厂的车间，每一层（每一个车间）中的神经元就是一个员工，通过员工之间的协同工作，将结果一层一层的向外输出产品，当发现产品出现问题的时候，就需要对整个工序进行追踪，反向追踪是哪个一个员工出错

映射

框架

如果要玩转深度学习，需要选择一个合适的框架（也就是工具平台）

代码简介
代码量少
代码效率高


Tensor，中文叫张量，是深度学习的一个基础，不然TensorFlow也不会叫Tensor和Flow了。

Tensor实际上就是一个多维数组

而Tensor的目的是能够创造更高维度的矩阵、向量。

装载到GPU上可以提高速度

GPU的处理速度之快得益于它可以高效地处理矩阵乘法和卷积

CPU是基于延迟优化的，而GPU是基于带宽优化的。CPU与GPU就像法拉利与卡车，两者的任务都是从随机位置A提取货物（即数据包），并将这些货物传送到另一个随机位置B，法拉利（CPU）可以快速地从RAM里获取一些货物，而大卡车（GPU）则慢很多，有着更高的延迟。但是，法拉利传送完所有货物需要往返多次：

相比之下，大卡车可以一次提取更多的货物，减少往返次数：

句话说，CPU更擅长于快速获取少量的内存（537），GPU则更擅长于获取大量的内存（矩阵乘法：（A*B）*C）。
作者：木亦汐
链接：https://www.jianshu.com/p/d21f49b4cd72

深度学习是一个计算需求强烈的领域，您的GPU的选择将从根本上决定您的深度学习体验。在没有GPU的情况下，这可能看起来像是等待实验结束的几个月，或者运行一天或更长时间的实验，只是看到所选参数已关闭。深度学习是一个计算需求强烈的领域，您的GPU的选择将从根本上决定您的深度学习体验。在没有GPU的情况下，这可能看起来像是等待实验结束的几个月，或者运行一天或更长时间的实验，只是看到所选参数已关闭。

借助GPU，我很快就学会了如何在一系列Kaggle比赛中应用深度学习，

反向传播



可以调用函数完成 反向传播

实例——共享单词数量预测

预测每小时单侧数量的情况

也可交叉验证


至此，可以构建人工神经网络了

神经元多了，容易过拟合和影响速度

接下来使用pytorch进行建模

在运行结果中，基本上预测效果较好，在后面部分是由于节日原因，可以理解