**第四天：paddlehub的应用**深度学习的难点，通过大数据和小样本的局限，建立模型，通过大模型和模型设计的门槛设计损失函数，通过大算力和计算资源限制来进行参数学习总结：先导入paddlehub包第二布输入对应模型代码，第三步找到相应的路径图片。训练集：训练模型，量最多测试集：模型未见过的数据进行测试验证集：类似测试机，训练过程中输出的准确率。总占比为8：1：1模型规范化，生成一个数据读取器

**第七天：深度学习与图像处理**先建立模型：上图同样也是神经网络所遵循的结构。前馈神经网络：从左到右计算，此过程不可逆粉色为输入层，深绿色为输出层，每个圆圈为一个神经元，中间的两个层为隐藏层，隐藏层数越多意味着网络越深，输出层：经过上述的计算将其变成一个概率分布根据概率的大小确定最终 的结果。损失函数：希望能达到的目标值参数学习：将损失降到最小。反向传播算法：手势识别作业：根本：图像分类准备数据

**第三天课后作业**```pythonimport matplotlib.pyplot as pltimport numpy as npimport jsonimport matplotlib.font_manager as font_managerwith open('data/data31557/20200422.json', 'r', encoding='UTF-8') as file:j

第六天：机器视觉-深度学习深度学习就是通过低层次特征形成更加抽象的高层特征或属性类别，一般是将低层次表达通过线性或者非线性组合获得更高层次的表达，图像与声音类似。机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。深度学习是一种机器学习方法 ， 它允许我们训练人工智能来预测输出，给定一组输入(指传入或传出计算机的信息)。监督学习和非监督学习都可以用来训

第六天：机器视觉-深度学习深度学习就是通过低层次特征形成更加抽象的高层特征或属性类别，一般是将低层次表达通过线性或者非线性组合获得更高层次的表达，图像与声音类似。机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。深度学习是一种机器学习方法 ， 它允许我们训练人工智能来预测输出，给定一组输入(指传入或传出计算机的信息)。监督学习和非监督学习都可以用来训