“本文是自己学习中的一些感悟，主要谈下如何入门深度学习。”
为啥你也可以自学AI？因为我都可以，所以你一定也行！
我不是AI相关专业出身，没有经过硕士、博士级洗礼，大学毕业很多年（数学等早还给老师了），甚至不是开发，也不是很懂算法（让我手写个快排估计都写不出来）……
对，我在学机器学习、深度学习技能，而且还准备从事相关的职业
所以你应该也没问题，相信自己
如果你碰巧也对AI有兴趣，想探一探它的神奇，欢迎同路！
终于开始动手在这里记下自己的学习过程，算是复习巩固，也希望对想入门的你有所帮助
好了，一起来玩吧
关于学习，以下是自己的理解，希望对你有启发 ^_^
学习的过程：
1.感性认识
2.了解概况
3.先跑起来
4.完成任务
5.技术细节
6.原理追溯
感性了解
在接触一项技能、知识时，最早大都是从感性认识开始的，先看到它的样，碰到它的感觉。。。或者在外面观察，或者已参与其中。。。突然有了兴趣，产生了想再了解一下的感觉。这时，好戏开始了……
那日常你都看到了哪些深度学习的”东西呢”？这就简直太多了，毕竟现在AI很火~，比如早些的下棋的”AlphaGo”，已经普及的人脸识别，甚至还有猪脸识别~，最近阿里的”明星猜拳”的，黑5刷脸啦什么的……很多很多，有的是看到的，很多是参与其中的。如果你有关注AI的一些新闻，类似这些事或多或少都知道吧。
先看图(图片来自公众号：阿里技术)
隔空猜拳
黑5刷脸
人脸融合
手机端实时切割
关注公众号“学习与成长资源库”获取更多最新资料
就先上这几个
看到这些报道是，有啥感想呢？
会不会像我我，第一句就是:哇~这么牛逼！咋弄的？
是吧，估计你也像我一样好奇的在问，这都怎么搞出来的呢？
我要是这么牛逼多拉风啊~
嗯~我要回家好好学习了
概况了解
深度学习是属于很尖端的技术了，我一普通的娃怎么玩得转呢？我百度下深度学习用到的知识，差点吓尿了：高等数学（微积分之类）、线性代数、概率论、凸优化、机器学习(单这个就吓屎人)、编程语言(C++、python)、Linux、CUDA编程……
我只是看着好玩，也想玩下而已，别这样吓人吧
不想放弃，先了解下大概情况再说：
总的来说，深度学习已发展了几十年了，只是近几年火了起来，导火索有”AlphaGo”下棋，还是飞飞老师推动的竞赛。深度学习是机器学习的一个分支，可以说是由人工神经网络发展起来的，人工神经网络受启发与人脑神经网络（下文提神经网络即只人工神经网络），就是那种给点刺激就有反应（比如膝跳反射什么的，有神经元……），原来只有浅层的神经网络，如感知机，后来加入隐藏层神经元，后来又加入了很多隐藏层……就变成深度神经网络了，用这种深度网络构建模型，去预测、处理任务过程，就叫深度学习了。以上是自己理解，不够科班了些，这些不重要，了解即可~
深度学习目前流行的框架主要有：TensorFlow，Theano，Keras，Caffe，PyTorch，MXNet……
本教将使用比较热门的TensorFlow，
TensorFlow2.0预览版已经公布了，有机会也会尝尝鲜
还有个重要概况，深度学习很火，估计会持续几年，国家政策都规划了10年呢
其实这才是我学习的动力
附一张深度学习发展图
（图片来自网络https://www.jianshu.com/p/2a5936c2a6dd）
知道个大概了，然后呢，从哪里入手？微积分吗？
于是四处取经，找大佬指点中……
终于，有个靠谱的高人指点：先学最少的知识跑起来就行，暂时不用管它为什么能跑……
高人就是高人，说的太对了（主要不敢去研究理论
）
想想看，如果从原理入手（微积分、矩阵、支持向量积……），估计三天坚持不到啊
所以，先放弃研究这些枯燥的原理，让程序跑起来再说
所以，先放弃研究这些枯燥的原理，让程序跑起来再说
所以，先放弃研究这些枯燥的原理，让程序跑起来再说
重要的事要说3遍
对就先把深度学习跑起来，莫急，下篇就跑……
先跑起来
要想跑起来，需要先选个深度学习框架，我选的是TensorFlow，算是比较流行的了，有Google撑腰，生态发展良好~
然后要做的是环境配置、包安装等，这些写在其他教程里了，点击这里和这里^_^
不多解释原理，先依葫芦画瓢写点代码，运行起来再说
代码如下，参考自莫烦的教程
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 添加神经网络层
def add_layer(inputs,in_size,out_size,activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
Wx_plus_b = tf.matmul(inputs,Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
# 构建
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise
xs = tf.placeholder(tf.float32,[None,1])
ys =tf.placeholder(tf.float32,[None,1])
# 建立输入层 隐藏层 输出层
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,activation_function=None)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 预测
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()
sess = tf.Session()
sess.run(init)
for i in range(1000):
# training
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
if i % 20 == 0:
# to visualize the result and improvement
try:
ax.lines.remove(lines[0])
except Exception:
pass
prediction_value = sess.run(prediction, feed_dict={xs: x_data})
# plot the prediction
lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
plt.pause(0.01)
print('over.')
sess.close()看晕了么，不妨copy到你那运行下看看什么神奇的效果吧
以上代码其实还不算真正的深度学习，主要是熟悉TensorFlow
不要着急，学习本来就是从浅入深、从易到难的过程
我也在这么的学习中……
后面会一点一点学习，一点点积累，聚沙成塔，指日可待
困难再多也不怕，时间会帮忙解决它，一起加油吧~
把活完成
想点需求，比如识别个验证吗，搞个人脸识别，虽然别都做好了，但是我看还是可以做自己的。当然，你有好的想法，一定要去实践下，实践出真知，实践出不一样的自己。试试看吧
记住，学习就是为了干活，活要好，才活的好
技术细节
这个后面教程中，尽量很细的讲，细到丝……
原理追溯
学到后面，可能感慨，欠下的技术债总是要还的，不过这时不在是枯燥的，而是主动去追根溯源，效果和效率都可想而知~
原理部分会整理出来，都放上来，就当字典、参考书，需要时再拿来研读
小结：
本文从学习的各个过程角度讨论了如何入门深度学习，纯属个人理解总结，希望对你有所帮助。有观点欢迎交流沟通。
感性认识—好奇引起兴趣
了解概况—-感兴趣、有潜力、适合自己？
先跑起来—-先掌握最顶层的，看着它跑起来（熟悉框架规则等）
完成任务—-用一下，完成个小需求，去发现它的好
技术细节—-熟悉API还不够，看些源码，为了解决自己写的bug
原理追溯—–一点一点捡起来，各个击破，再串起来，串成自己的样子。调优，让你的代码飞起来，必须回溯原理，到推导公式级别，理解它的灵魂
后续将从零开始整理TensorFlow教程，争取每天都能推送，期间有问题欢迎交流沟通！
参考资料：
公众号“学习与成长资源库”
莫烦教程
TensorFlow官网
