仅仅记录自己准备复试的一些项目情况和重要知识点。刷到的朋友不要喷我写的不好

1. pycharm的环境配置

这部分主要是conda的环境下载和配置，安装panda库、matplotlib库、torch库等，然后激活

这里用的是python3.8的版本

2. 深度学习概要

老师只会关心你深度学习的知识点，招聘也是，代码不用太纠结，看懂第一，但是机考还是要考代码哈哈哈，每天复盘一篇吧

        实际上，深度学习的历程，也可以说是学习路径吧，是由浅到深的，如下图所示

        人工智能、深度学习、机器学习是三种不一样的概念，机器学习是基于数学、统计学的，有一定的可解释性，例如KNN算法（K-Nearest Neighbors），是一种有监督（有标签）的算法，一般用于分类与回归问题，这里推荐@风中摇曳的小萝卜，讲了很多机器学习算法。

        这里主要讲深度学习。

        

        神经网络就是深度学习领域的，其实就是给一个输入、输出，结果效果不错，是一种基于实践性的理论，所谓的深度学习，就是找一个函数f，实现x到y的映射，根据一个人的身高体重财富，实现对寿命的预测、图片分类、人脸识别...这些都是深度学习的领域。

        常见的神经网络的输入，一般有三种数据形式：一是向量（180,140，-10000），一种是张量（实际上就是矩阵），三是序列（是存在前后关系的，存在上下文影响的）；我们想要的输出，也有以下几种：一是回归任务，通俗来讲就是预测，二是分类任务，这种一般有几个选项让你选，机器做出结果输出，三是生成任务，整体有一定的关联性（例如：生成一篇内容）。这边就是输入和输出。

输入	向量	矩阵（图片）	序列
输出	回归	分类	结构化输出

        而如何开始深度学习呢？首先是定义一个函数（模型），二一个是定义一个合适的损失函数，三是根据损失对模型进行优化。

        实际上，我们设置的目标函数和真实能够得到的都有一定的差距，在不断的调整中离目标越来越近即可。这里介绍几个名词：数据（feature）、标签（label）、模型(model)、权重（weight）、偏差（bias），loss......大多数名称都可以很简单的理解。

        这里损失函数一般是不同y之间的差值，可以用公式表示出来（Loss）：

        根据具体的损失对模型进行优化

        如何优化？方法是梯度下降法。 随机选择一个w，计算L关于w的偏导数，求出η（learning rate）,

        实际上上述步骤torch都可以帮我们完成。

3.线性函数和多层神经元

        实际上，线性函数很多事都做不了，试想一下一个矩形框，对角线分别各位两类，这样是无法进行仅通过一个线性函数来进行分类的（永远无法），所以引入多层神经元、非线性元素

这一部分下集再续。。。。

李哥推荐的多层神经网络模拟网站https://playground.tensorflow.org/