《深度学习的技术》-读书笔记

简介: 绪论所谓「深度学习」,顾名思义,就是学东西不只看它浮在表面的东西,而是往深入去挖掘,甚至看到别人所未见的东西。尽量不要 读书不求甚解,蜻蜓点水,贪多求全,最后养成了思维的惰性,只重量而不重质,只是把机械记忆一些知识点当成攀比的资本或谈资。

绪论

所谓「深度学习」,顾名思义,就是学东西不只看它浮在表面的东西,而是往深入去挖掘,甚至看到别人所未见的东西。
尽量不要 读书不求甚解,蜻蜓点水,贪多求全,最后养成了思维的惰性,只重量而不重质,只是把机械记忆一些知识点当成攀比的资本或谈资。

关于深度读书法,古代唐君毅先生写到:

「见文字平铺纸上,易;见若干文字自纸面浮超凸出,难。见书中文字都是一般大小,易;见书中文字重要性有大小,而如变大或变小,难。顺书之文句之次序读书, 易;因识其义理之贯通,见前面文句如跑到后面,后面文句如跑到前面,平面之纸变卷筒,难。于有字处见字而知其意义,易;心知著者未言之意,于字里行间无字处见出字来,难。」

《深度学习的艺术》这本书将深度学习分了四个部分,提问,解码,操练,融合。

提问

好的问题至关重要,由下图对比可看出由问题引导着去学习,与单纯的对某种东西感兴趣学习方式的差异


img_5bcc8e63cf0c5b3546fb0a206c6b2b95.png
学习方式对比

在学习技术时,一些人觉得学习编程很难,然后也不动手开始学。或者单纯的看技术类书籍,视频,最后学习方式效果低下。
已经是开发人员的人在学习新的技术的时候,单纯的去了解相关技术,没有目的,没有问题,不去想这种技术可以做什么,准备做什么?这样的学习也是效率低。

我们都知道问题是解决不完的,总会有新的问题不断的出现,但不要放弃寻找最佳的解决方案。就像伟大的数学家波利亚所说:

「没有任何一个题目是彻底完成的了。总还会有些事情可做;在经过充分的研究和猜测之后,我们可以将任何解题方法加以改进;而且无论如何,我们总可以深化我们对答案的理解。」

问题是我们引向学习的起点,也是我们学习的方向,

一位优秀的深度学习者,必定是一个优秀的提问者,他从阅读、观察和思考的过程中产生问题,先解答表层的、容易的那部分,留下深度的、探索式的问题给自己,被问题所困扰和折磨,同时开启之后的求知之路。

解码

学习要带着问题去学习,而解码即解决问题的角度,可以站在不同的位置去思考这个问题。对问题的定义进行思考等等 可阅读《你的灯亮着吗》

解码是一个费时费力的过程。很多时候,我们看一本书、看一幅画或者看一部电影,都是蜻蜓点水,获得一些模糊的体验、自认为足够和旁人吹嘘几句就完事了,并不愿去深究。因为深究起来,一本书恐怕读上一年都读不尽,一部电影看上十遍也看不完。但是,这不是不加以深究的理由。所谓学习,本身就要注重深度和广度的结合。广度不够让人闭塞,深度不够让人只得皮毛。所以在时间有限的条件下,我们需要尽量去找最经典、最优秀的作品,进行深度解码、模仿参研。卡尔维诺在《为什么要读经典作品》一文中说:「一部经典作品是一本每次重读都好像初读那样带来发现的书」

关于如何解码,作者提出了三种方法:

  • 不要只去寻找结论,还要寻找过程,在解题的过程中,我们会了解到很多与题目无关的东西,而这些东西有时候对我们也是有帮助的。

  • 不要只去归纳,还要去延展。作为工科生,经常做的是摘要,概括,长话短说,这样固然可以提高自己的抓住重点能力,但是一些细节都被我们忽略掉了。在做归纳的时候,提醒自己,能不能再原有的基础上进行扩展。锻炼自己陈述的能力,能不能连续不断的陈述15分钟

  • 比较事物之间的相似与不同之处。大部分人,经常比较的是两者之间有什么一样的地方,这样在学习的时候更容易类比,与迁移知识。这时候可去试着发现两者之间具体有哪些不同的地方,发现不同之处则提升自己对事物的总貌有个认知。

正如法国大科学家庞加莱在《科学与方法》中写道:「正是例外变得重要起来。我们不去寻求相似;我们尤其要全力找出差别,在差别中我们首先应该选择最受强调的东西,这不仅因为它们最为引人注目,而且因为它们最富有启发性。」

作者的这三种解题方法可供参考。

操练

提到操练,既动手解决问题,不是停留在自己的想象之中。关于操练作者也给了几种操练方法。

  • 写作式操练,能详细讲出自己问题的人,离解决问题已经不远了,另外教是最好的学习,将自己的知识通过自己理解的方式写出来,本身就有助于自己对知识的融合

  • 游戏式操练。

      1. 提供即时和丰富的反馈,包括视觉、听觉,甚至触觉(如 Wii)。
      1. 营造动态和多变的情境。即便使用一些简单的随机性设定就可以使情境变得复杂多变,这样玩家就不会因单调重复而感到枯燥。
      1. 适度的挑战性构成对学习的激励。挑战的难度随玩家的经验和成就而逐渐上升,使其既不会因挑战过难而严重受挫也不会因为过于简单而失去兴味。
  • 设计式操练,设计式的操练就是调用已有的知识,去通过设计某一种解决方案,来解决某个特定的问题。「设计」有一个非常流行的定义:「设计就是解决问题」。因此设计式操练的好处,就是迫使学习者为了解决某一个现实的问题,来综合性、创造性地调用知识。

提到设计,想起了程序设计,优秀的开发人员最擅长的就是设计,我们需要设计一个系统,让用户如何在里面使用系统,设计的软件是如何运作,需要遵循哪些原则等等。
做程序设计,在思考这种问题的时候虽然费脑力,但对自己确实帮助不小。每个行业都有自己创造的点。

设计式操练案例:

《三国杀》的创作者黄恺是一个 80 后,他从小就是一个游戏迷,也是一个三国迷,这点其实并没有什么特别,不过他与别人不同的一点是,他曾经经常思考的一个问题是如何去修改游戏的规则、创造出新的游戏。当时只有大二的他,运用自己长期积累的游戏知识和三国知识,花了一个晚上的时间,设计出了《三国杀》的第一稿,从此开启成功之路。我想很多人是历史爱好者,也有很多人是小说迷,那么有多少人想过,运用这些知识,去设计一款自己的卡牌游戏呢?难道它真的有你想象的那么难吗?还是你根本就没有意识到,你大脑中的知识,其实是可以这样去充分地运用和发挥出来的?

总结

作者写的4个部分,虽然在说如何深度学习,看起来也像是如何更好的解决问题。毕竟学习即为了解决生活中实际的问题。
1、首先定义好自己的问题,好的提问。找到问题的所在
2、然后解题,通过一切可尝试的方法进行解题,多种方案,选择自认为最好的,不断尝试
3、成功解题之后,学到了解题的方法,学到的新的技能,试着融汇贯通,举一反三,以后遇到相似的问题,再也不用担心了。

目录
相关文章
|
20天前
|
机器学习/深度学习 监控 算法
深度学习赋能智能监控:图像识别技术的革新与应用
【4月更文挑战第8天】 随着人工智能技术的飞速发展,深度学习在图像处理领域取得了突破性进展。特别是在智能监控系统中,基于深度学习的图像识别技术已成为提升安全和效率的关键工具。本文将探讨深度学习技术如何革新传统监控体系,增强其对复杂场景的理解能力,以及在实际部署中面临的挑战和解决方案。通过分析最新的研究成果和应用案例,我们揭示了深度学习在智能监控领域的潜力及其对未来社会发展的影响。
18 2
|
19天前
|
机器学习/深度学习 监控 安全
智能化视野下的守卫者:基于深度学习的图像识别技术在智能监控领域的革新应用
【4月更文挑战第9天】 随着人工智能技术的飞速发展,深度学习已经成为了推动计算机视觉进步的重要力量。尤其在智能监控领域,基于深度学习的图像识别技术正逐步转变着传统监控系统的功能与效率。本文旨在探讨深度学习技术如何赋能智能监控,提高对场景理解的准确性,增强异常行为检测的能力,并讨论其在实际部署中所面临的挑战和解决方案。通过深入分析,我们揭示了深度学习在智能监控中的应用不仅优化了安全防范体系,也为城市管理和公共安全提供了有力的技术支持。
|
1天前
|
机器学习/深度学习 前端开发 算法
利用深度学习技术提升前端图像处理性能
本文将探讨如何利用深度学习技术在前端图像处理中提升性能。通过结合深度学习算法和前端技术,我们可以实现更高效的图像处理功能,提升用户体验和系统性能。
|
4天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第24天】 随着人工智能技术的飞速发展,深度学习在图像处理领域取得了显著成果,特别是在自动驾驶系统中的应用。本文首先介绍了深度学习的基本概念和关键技术,然后详细阐述了卷积神经网络(CNN)在图像识别中的优势和应用,最后探讨了深度学习在自动驾驶系统中的挑战和未来发展趋势。
|
5天前
|
机器学习/深度学习 边缘计算 监控
深度学习赋能智能监控:图像识别技术的革新与应用
【4月更文挑战第23天】 随着人工智能的迅猛发展,深度学习技术在图像处理领域取得突破性进展,特别是在智能监控系统中,基于深度学习的图像识别已成为提升系统智能化水平的核心动力。本文旨在探讨深度学习如何优化智能监控系统中的图像识别过程,提高监控效率和准确性,并分析其在不同应用场景下的具体实施策略。通过深入剖析关键技术、挑战及解决方案,本文为读者提供了一个关于深度学习图像识别技术在智能监控领域应用的全面视角。
|
5天前
|
机器学习/深度学习 监控 安全
智能监控的革新者:基于深度学习的图像识别技术
【4月更文挑战第23天】 在智能监控领域,基于深度学习的图像识别技术已经成为一种革命性的工具。这种技术能够自动识别和分类图像中的对象,提供实时的、准确的信息,从而提高监控系统的效率和准确性。本文将探讨深度学习在图像识别中的应用,以及其在智能监控中的潜在价值。
|
5天前
|
机器学习/深度学习 运维 监控
深度学习在智能监控领域的革新:图像识别技术的崛起
【4月更文挑战第23天】 随着人工智能技术的飞速发展,深度学习已经成为推动计算机视觉进步的核心技术之一。特别是在智能监控领域,基于深度学习的图像识别技术正逐渐改变着安全监控的传统模式,提升系统的智能化水平。本文将探讨基于深度学习的图像识别技术在智能监控系统中的应用现状与挑战,分析其在目标检测、行为分析以及异常事件识别中的作用,并展望其未来发展趋势。
|
7天前
|
机器学习/深度学习 数据采集 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第21天】 本文章深入探讨了深度学习技术在自动驾驶车辆图像识别领域的应用。不同于传统的摘要方式,本文将直接点出研究的核心价值和实际应用成果。我们专注于卷积神经网络(CNN)的创新设计,其在复杂道路场景下的行人和障碍物检测中的高效表现,以及这些技术如何整合到自动驾驶系统中以增强安全性和可靠性。通过实验验证,我们的模型在公开数据集上达到了行业领先水平的准确率,并且在真实世界的测试场景中展现了卓越的泛化能力。
|
8天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用研究
【4月更文挑战第20天】 本研究聚焦于深度学习技术在图像识别领域的应用,并探讨其在自动驾驶系统中的实际效用。文章首先回顾了深度学习与图像处理技术的基础知识,随后详细分析了卷积神经网络(CNN)在车辆环境感知中的关键作用。通过实验数据对比分析,本文验证了所提出算法在提高自动驾驶车辆对周围环境的识别准确性和实时性方面的有效性。最后,讨论了目前技术的局限性及未来可能的研究方向,旨在为进一步的技术突破提供参考。
|
9天前
|
机器学习/深度学习 监控 算法
深度学习驱动下的智能监控革新:图像识别技术的前沿应用
【4月更文挑战第19天】 在数字时代,智能监控系统作为城市安全和效率的守护者,正经历着前所未有的技术变革。本文深入探讨了基于深度学习的图像识别技术如何重塑智能监控领域,通过算法创新提升识别准确率,实时处理大量数据,并在各种环境条件下稳定运行。我们将分析当前最前沿的技术应用案例,探讨其在实际应用中遇到的挑战及未来发展趋势,从而为相关领域的研究者和实践者提供参考和启示。