深度学习介绍
AI地图
- 自然语言处理：起源于符号学，如机器翻译，人在几秒钟能反应过来，属于感知问题
- 计算机视觉：图片由像素组成，难以用符号学解释，在图片中进行推理，大部分用概率模型或者机器学习
- 深度学习：机器学习的一种
深度学习任务
图片分类
输入图像识别类别
著名数据集Image-net
物体检测和分割
- 目标检测：输入图像识别图像中每个物体的类别和框
- 语义分割：识别每个像素的类别
样式迁移
将一个图像中的样式应用在另一图像之上
人脸合成
文字生成图片
文字生成
以QA形式进行文字生成，如GPT-3
无人驾驶
案例：广告点击
场景：给定用户输入如何返回相应的广告
三个阶段：
- 触发
- 点击率预估 ---> 机器学习模型
- 排序
**预测：**特征提取 ---> 模型 ---> 点击率预测
**训练：**训练数据(过去广告展现和用户点击) ---> 特征和用户点击 ---> 模型
完整过程
领域专家：关心模型应用产生的影响，提需求的人，甲方
数据科学家：将原始数据转换成机器可以理解的数据，乙方
AI专家：训练模型并且关注模型的进一步提升
QA
Q：机器学习的可解释性：机器学习在图片分割领域为什么有效？
A：深度学习的可解释性(人类理解层面)现在很难定论，但是可以从一些角度解释模型为什么有效
Q：深度学习无法用数学规范表述，只能从直觉上理解对吗？
A：不一定，模型可以用数学表述，但是目前难以用数学来解释模型为什么工作/不工作
引言-相关名词整理
关键组件
数据（data）
数据集（dataset）
模型（model）：任一调整参数后的程序
参数（parameter）：可以调整程序行为的旋钮
学习算法（learning algorithm）：使用数据集来选择参数的元程序
样本 （example, sample）数据点 （data point）数据实例（data instance）：组成数据集的数据
独立同分布(independently and identically distributed, i.i.d.)
特征 （features，或协变量（covariates））：一组特征属性组成一个样本
维数（dimensionality）：特征向量的长度
深度学习（deep learning）：关注功能强大的模型，这些模型由神经网络错综复杂的交织在一起，包含层层数据转换
目标函数（objective function）：量化模型的有效性的函数
损失函数（loss function，或cost function）：习惯上取目标函数越低越好，所以叫损失
训练数据集 （training dataset，或称为训练集（training set））：用于模型训练而收集的样本，拟合模型参数
测试数据集 （test dataset，或称为测试集（test set））：用于测试模型性能，模型没有见过的"新数据集"，评估拟合的模型
过拟合（overfitting）：模型在训练集上表现良好，但测试集效果很差
梯度下降（gradient descent）：常用的优化算法，在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。 然后，它在可以减少损失的方向上优化参数。
监督学习
监督学习 （supervised learning）：在"给定输入特征"的情况下预测标签。每个"特征-标签"对都称为一个样本（example）。
回归
回归（regression）：训练一个回归函数来输出一个数值
平方误差（squared error）：预测值与实际值之差的平方，预测数值最常用
分类
分类（classification）：练一个分类器来输出预测的类别
类别 （category，正式称为类（class））
二项分类（binomial classification）：只有两个类别的分类
多项分类（multiclass classification）：有两个以上的类别
交叉熵（cross-entropy）：所有标签分布的预期损失值
层次分类(hierarchical classification)：一些分类任务的变体可以用于寻找层次结构，层次结构假定在许多类之间存在某种关系
标记问题
多标签分类（multi-label classification）：学习预测不相互排斥的类别的问题
推荐系统
推荐系统（recommender system）：向特定用户进行"个性化"推荐
序列学习
序列学习（sequence Learning）：摄取可变长度的输入序列 和/或 预测可变长度的输出序列
无监督学习
无监督学习（unsupervised learning）：数据中不含有"目标"的机器学习问题
聚类（clustering）：没有标签的情况下给数据分类
主成分分析（principal component analysis）：用少量的参数来准确地捕捉数据的线性相关属性
因果关系 （causality）和概率图模型（probabilistic graphical models）：根据经验数据发现属性之间的关系
生成对抗性网络（generative adversarial networks）：通过两个神经网络相互博弈的方式进行学习，生成数据
与环境互动
离线学习（offline learning）：根据预先收集的数据进行模型训练，训练开始后不与环境交互
分布偏移（distribution shift）：训练集和测试集之间的数据分布不同，导致模型的泛化性能很差。
强化学习
强化学习（reinforcement learning）：让智能体(agent)在与环境交互的过程中，通过学习最优的行为策略，来实现最大的回报或目标。
智能体（agent）
观察（observation）
动作（action）
奖励（reward）
策略（policy）：强化学习的目标是产生一个好的策略
学分分配（credit assignment）：决定哪些行为是值得奖励的，哪些行为是需要惩罚的。
马尔可夫决策过程（markov decision process）：环境可被完全观察到的强化学习问题
上下文赌博机（contextual bandit problem）：状态不依赖于之前的操作的强化学习问题
多臂赌博机（multi-armed bandit problem）：没有状态，只有一组最初未知回报的可用动作的强化学习问题
神经网络（neural networks）：一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。
层（layers）：线性和非线性处理单元的交替
链式规则（也称为反向传播（backpropagation））：一次性调整网络中的全部参数的规则
dropout ：有助于减轻过拟合
表示学习（representation learning）：模型自动从数据中抽取特征或表达，以方便后续任务
Datawhale环境配置讲解
视频分为Linux和windows环境配置，本人使用笔记本自带的RTX4060显卡进行配置，所以是windows环境，视频在20:30左右开始
视频内容：
下载 Miniconda
更换镜像源
下载GIT
下载课程 Repo
之前已经配置过conda和pytorch，所以跳过
安装
因为已经安装conda，所以跳过安装Miniconda
安装深度学习框架和d2l软件包
创建conda虚拟环境
conda create -n learning_pytorch python=3.9
激活虚拟环境
conda activate learning_pytorch
确定CUDA driver的版本
运行nvidia-smi, CUDA版本为12.4
pytorch官网选择比CUDA driver小的最新版本
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
安装d2l包
pip install d2l==0.17.6
下载 D2L Notebook
创建文件夹d2l-zh并下载压缩包
mkdir d2l-zh && cd d2l-zh
curl https://zh-v2.d2l.ai/d2l-zh-2.0.0.zip -o d2l-zh.zip
问题： 'unzip' 不是内部或外部命令，也不是可运行的程序
或批处理文件。
原因：unzip是linux系统下，windows不自带。
解决方法：下载unzip，官网地址：https://gnuwin32.sourceforge.net/packages/unzip.htm
- 选择Binaries；
- 下载ZIP；
- 最后将下载下来的unzip-5.51-1-bin\bin\unzip.exe文件复制到 C:\Windows\System32 即可。
解压，可以正常运行
unzip d2l-zh.zip && del d2l-zh.zip
PS：windows命令提示符（CMD）使用 del 命令来删除文件。
cd pytorch
打开Jupyter笔记本（在Window系统的命令行窗口中运行以下命令前，需先将当前路径定位到刚下载的本书代码解压后的目录）
jupyter notebook
成功打开
李沐：GPT时代AI怎么学？
原来的深度学习：人在5s可以决策出来的问题
现在的深度学习：一个专业人士1h的工作量
机器学习这么多年在训练上其实没有本质的变化
不同：每几年会把一类模型的做到智能顶点
transformer的智能上限仍在探索中
就算遇到上限，也会去探索新的模型架构
现状：transformer的了解不够深入，下一个架构仍未出现