1. 請問深度學習是怎麼進行訓練的呢
可以從多種方向進行調整: 1 將損失函數換成交叉熵損失函數，因為訓練後期誤差較小時，使用均方誤差作為損失函數，則梯度越來越小，因此訓練進程會越來越平緩。 2使用隨機梯度下降法，防止局部收斂 3調小學習率
2. 新手如何快速入門深度學習領域
新手如何快速入門深度學習領域
深度學習必備基礎
深度學習發展至今已然有幾個年頭了，上個世紀九十年代的美國銀行率先使用深度學習技術做為手寫字體識別，但深度學習的驚艷登場並沒有留住它一時的輝煌，直到2012年深度學習這個領域才開始漸入人們的眼簾。可以說我們現在擁有著絕佳的學習機會，世界頂級的會的議論文，各大資料庫公開的數據源以及開源的力量已經讓我們站在了巨人的肩膀上去成長。下面就給大家分享一份深度學習入門指南，讓大家能更快更好的加入深度學習這個璀璨的舞台。
必備技能1-python：
python我就不必多說啦吧，有多方便大家用過了都知道，這里強調這點是因為，現在無論是公開的論文還是代碼基本在深度學習這個領域都是python為主流的，我在學習的過程中一個最重要的點就是學習別人的代碼，通過把高手的代碼debug一遍我們才能真正的懂一個技術的原理，那麼在這個領域里高手們的代碼很多都是python版本的。更重要的一點是，我們入門這個領域肯定不會自己動手一步一步的去實現所有需要的技術代碼，一個最直接的學習方法就是結合開源的框架，那麼可以說深度學習的開源框架基本都是python介面的，能用這些開源框架是我們學習的一個最基本的手段啦，所以重要的事情說三遍,python!python!python!
必備技能2–線性代數，微積分
很多同學該覺得很頭疼了。。。，怎麼有是數學啊，沒錯咱們深度學習需要很好的數據基礎，我所說的這倆簡直就是九牛一毛，但是作為我們入門來說已經夠啦。其實咱們所有的深度學習是什麼呢？它就是一個復雜的人工神經網路嘛，那麼要去能懂這個神經網路的原理，有機器學習基礎的同學們肯定都知道，其實就包括了兩部分嘛，前向傳播和反向傳播。這兩部分一個最最最核心的點就是矩陣計算和梯度求導運算啦，所以說咱們要能入門這個領域，這些數學可是還要復習起來的。
必備技能3–英文閱讀能力:
這個還需要說啥子嘛？技術都是國外搬來的，咱們要學習的肯定都是國外各路大神的作品啦，比如課程呀，論文呀等等，那麼要能跟上大神們的腳步，這點肯定是不能少的吧。
必備技能4–查找資料能力:
這點其實是蠻重要的，也就是我們在學習的過程中，要積累一些資料庫還有好的學習資源，比如公開的代碼呀，這也就要我們經常去逛逛技術博客，github呀看看有木有一些適合咱們學習的東東，找到有價值的學習資源比咱們自己埋頭苦學更有價值的。
避開常見誤區
深度學習這個領域的坑可以說還是蠻多的，咱們在進軍的路上
一定要避開這些了。
自己挖的坑：
咱們在學習的過程中一定要循序漸進，切不可急於求成。這就像練武功一樣，一味的求快求狠只能走火入門。這里我暫且認為想要入門的同學們的基礎都是比較薄弱的，咱們不能跳過傳統機器學習這條路直接一大步邁進深度學習這個領域中，我們起碼要知道神經網路是怎麼一回事。這對於咱們理解以及掌握深度學習有著重要的幫助，比如咱們第一步要做的就是去搞明白什麼是前向和反向傳播以及從頭到尾的自己推導一遍，有了這樣一個過程咱們再去學習深度學習就會輕松多啦。千萬不可自欺欺人，一步還沒走穩呢就著急跑去下一個知識點啦，在積累的過程中不要給自己挖坑，確保自己搞明白一個點啦再去深入到下一個點中。
掉進別人的坑：
我們在學習的路上肯定會挖掘到很多的資源，但是這些資源不可盲目學習，我們需要有一定的鑒別能力。就好比說我們跟著一個武功一般的學，怎麼也不會學到哪裡去，但是我們給一個武林至尊當小弟，我們學到的也不會少嘛。這就是說我們要學習的資源一定要是通過了大家的認可的，在我看來現在網路到的很多資源其實錯誤的地方還是蠻多的，我們盡量多關注一些國外大神的主頁以及github上比較火的項目。
學習路線圖
這個路線圖是針對咱們要入門的同學制定的，已然成神的同學們可不使用哦。
（一）入門神經網路：
對於咱們要入門的同學來說，第一部也是最重要的一步就是能夠去懂什麼是神經網路以及把整體流程從頭到尾的推一遍，神經網路這個東西還是蠻抽象的，這里有一個入門的課程大家可以參考下深度學習全民皆兵
把神經網路以及深度學習所需的每一個知識點都從頭到尾的推了一遍還是很不錯的。
（二）選擇一個深度學習方向：
深度學習現在來說有兩個方向比較成功，一個是自然語言處理，另一個是計算機視覺。在學習的路上，我們需要選擇一個自己喜歡的方向去深入，有的同學可能會說我都想去研究個究竟，其實只要有時間這些都不是事。但是我覺得還是選擇一個方向去深入比較好，無論對於研究還是工作我們不可能同一階段去弄這兩個事，所以確定好一個深度學習的方向還是很重要的。當我們選擇好方向之後我們要學習的東東就確定了，對於自然語言處理我們要學習的就是RNN現在更火的是LSTM，對於計算機視覺我們要學習的就是CNN，大家如果聽不懂這幾個縮寫，沒關系的等咱們真正走到了這不的時候再去了解也來得及，這里我們只需要知道我們要兩個方向可以選擇。
（三）論文與代碼：
對於選擇好的方向我們首先要弄懂這個網路的原理，最好的辦法就是邊學邊做，結合一個實際的項目。有的同學可能比較愁，我哪有實際項目去結合啊，其實咱們github上的每一位大神的代碼咱們都可以當成是一個實際的項目呀，比如人臉檢測，物體識別呀，這些公開的代碼就是咱們練手的利器呀，我們首先需要從頭到尾的完全理解一個找好的項目，這其中包括了很多內容了。比如學習一個深度學習框架，應用公開數據集，訓練模型等等。從我自身學習的經驗來說，最有價值的做法就是，在一些高端會議上找到一篇開源的而且做的事是咱們感興趣的的論文，首先通讀論文，然後對應於開源的代碼開始大幹一波（就是把代碼和論文對應上，確保自己完全理解），還有些需要注意的點比如說咱們一定要找最新的論文和代碼，這些應該就不用我多說啦。在完成了一個項目之後，咱們就有一定功底啦，可以說咱們已經入門深度學習這個領域啦，但僅僅是入門，切不可就此止步。
3. 深度學習樣本怎麼訓練
用pandas的read_excel直接導入即可。
4. 深度學習該怎麼學
1、深度學習，首先要學會給自己定定目標（大、小、長、短），這樣學習會有一個方向；然後要學會梳理自身學習情況，以課本為基礎，結合自己做的筆記、試卷、掌握的薄弱環節、存在的問題等，合理的分配時間，有針對性、具體的去一點一點的去攻克、落實。2、可以學習掌握速讀記憶的能力，提高學習復習效率。速讀記憶是一種高效的學習、復習方法，其訓練原理就在於激活「腦、眼」潛能，培養形成眼腦直映式的閱讀、學習方式。3、要學會整合知識點。把需要學習的信息、掌握的知識分類，做成思維導圖或知識點卡片，會讓你的大腦、思維條理清醒，方便記憶、溫習、掌握。同時，要學會把新知識和已學知識聯系起來，不斷糅合、完善你的知識體系。這樣能夠促進理解，加深記憶。4、做題的時候要學會反思、歸類、整理出對應的解題思路。遇到錯的題（粗心做錯也好、不會做也罷），最好能把這些錯題收集起來，每個科目都建立一個獨立的錯題集（錯題集要歸類），當我們進行考前復習的時候，它們是重點復習對象，保證不再同樣的問題上再出錯、再丟分。
5. 如何引導學生進行深度學習
深入學習的基礎是專心致志。比如專心聽課：①課前要先做好預習工作，找出不懂的知識、發現問題，帶著知識點和問題去聽課會有解惑的快樂，也更聽得進去，容易掌握。②課堂聽課的時候要多種動作協調起來，比如邊聽邊做筆記。同時，要參與交流和互動，思考老師講的或提出的問題，能回答得盡量回答。回答問題的好處不僅僅是表現，更多的是可以讓你注意力更集中。③聽要結合寫和思考。純粹的聽很容易懈怠，能記住的點也很少，所以聽課的時候一定要學會快速的整理記憶，比如把多種動作協調起來，邊聽邊做筆記。
具體學習中，要直擊弱點，反復操練。反復操練指的並不是重復已經擅長的事情，而是要「聚焦在困難與弱點上」，只有這樣你才能得到提升。所以在學習、做題、復習中，要學會梳理知識，找出自己不理解、似懂非懂或沒記住的知識，然後有針對性地去解決。沒記住的要花時間記憶背誦，不理解的要抓緊找老師同學弄懂。
記憶方面，要靈活運用各種記憶方法。①提取記憶（或者叫檢索記憶），具體方法有：A.卡片法，比如背單詞的時候，在卡片的正反兩面分別寫下中、英文，看中文想英文、看英文想中文。B.回想法，比如讀完書或上完一節課之後，在一張白紙上寫下記得的所有內容。C.提問法，比如讀完書或學習完某章節後，自己設計一些問題，通過回答問題來檢測自己對知識的掌握情況。D.思維導圖法，比如閱讀一本書之後，把主要內容梳理成思維導圖，然後之後通過思維導圖來回憶書本內容。②間隔重復記憶，就是在學習之後，遺忘速度較快的區段及時重復，鞏固記憶。按照遺忘曲線，間隔的時間就是在學習或暫時記住之後的：20分鍾後、1小時後、8小時後、1天後、2天後、6天後、31天後等這些時間段再重復一遍。當然，具體的間隔時間不需要如此頻繁，通常以一天、一周和一月的時間來間隔記憶即可。③記憶法，就是把抽象的信息轉譯成具體、有趣、容易記憶的信息，比如諧音記憶法、圖像法、聯想法、結構法等等。不過這些方法需要自己去刻意的練習才能熟練掌握和運用。像我練習過的《精英特速讀記憶訓練軟體》中的「編碼定位記憶」就用到了諧音轉化記憶、意義轉化記憶、形象轉化記憶、位置記憶、聯想記憶，思維導圖就是一種結構式記憶和圖像記憶。這些方法的掌握，在學習和記憶這件事上也是一大助力。
學習中，還要重視意見反饋。作為學習者，想要讓學習的成效提升好幾個檔次，就需要在學習或練習的過程持續聽取有建設性的反饋，形成一個正向的循環。具體可以從周遭的朋友、師長、甚至是網路上素不相識的陌生人，聽取這三種意見反饋：①結果型反饋：做錯了嗎？②信息型反饋：哪裡做錯了？③改正型反饋：如何修正錯誤？
6. 學習深度學習如何下手
機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術
7. 深度學習，需要怎麼做到
深度學習想要做到的話，三個步驟就行了，下面就說一下到底是哪三個步驟，往下看就行。
第一步，選擇合適的編程語言，編程語言的重要性都是了解的，不過對於選擇合適的編程就非常的迷茫，其實對於編程語言的選擇只需要注意是否入門簡單、是否比較容易上手、開發的效率高不高以及庫的多少等等即可。
第二步，學習框架的選擇，框架可以帶來很多的資源還有工具，可以實現龐大以及高級與優秀的深度學習項目。伴隨著深度學習的研究越來越紅火，出現了很多的開源深度學習的框架，就比如TensorFlow、PyTorch、Caffe2等等。
第三步，掌握深度學習的基本理論，學習一門知識除了需要實際的經驗之外，還需要應用非常深厚的基礎理論，這樣才算是可以說學會一件東西，在這一點上深度學習也是不例外，而深度學習的基礎知識比如有神經網路知識等。
另外分享幾個深度學習的應用領域，了解了解吧！
計算機視覺
香港中文大學的多媒體實驗室是最早應用深度學習進行計算機視覺研究的華人團隊。在世界級人工智慧競賽LFW（大規模人臉識別競賽）上，該實驗室曾力壓FaceBook奪得冠軍，使得人工智慧在該領域的識別能力首次超越真人。
語音識別
微軟研究人員通過與hinton合作，首先將RBM和DBN引入到語音識別聲學模型訓練中，並且在大詞彙量語音識別系統中獲得巨大成功，使得語音識別的錯誤率相對減低30%。但是，DNN還沒有有效的並行快速演算法，很多研究機構都是在利用大規模數據語料通過GPU平台提高DNN聲學模型的訓練效率。