1. 请问深度学习是怎么进行训练的呢
可以从多种方向进行调整: 1 将损失函数换成交叉熵损失函数，因为训练后期误差较小时，使用均方误差作为损失函数，则梯度越来越小，因此训练进程会越来越平缓。 2使用随机梯度下降法，防止局部收敛 3调小学习率
2. 新手如何快速入门深度学习领域
新手如何快速入门深度学习领域
深度学习必备基础
深度学习发展至今已然有几个年头了，上个世纪九十年代的美国银行率先使用深度学习技术做为手写字体识别，但深度学习的惊艳登场并没有留住它一时的辉煌，直到2012年深度学习这个领域才开始渐入人们的眼帘。可以说我们现在拥有着绝佳的学习机会，世界顶级的会的议论文，各大数据库公开的数据源以及开源的力量已经让我们站在了巨人的肩膀上去成长。下面就给大家分享一份深度学习入门指南，让大家能更快更好的加入深度学习这个璀璨的舞台。
必备技能1-python：
python我就不必多说啦吧，有多方便大家用过了都知道，这里强调这点是因为，现在无论是公开的论文还是代码基本在深度学习这个领域都是python为主流的，我在学习的过程中一个最重要的点就是学习别人的代码，通过把高手的代码debug一遍我们才能真正的懂一个技术的原理，那么在这个领域里高手们的代码很多都是python版本的。更重要的一点是，我们入门这个领域肯定不会自己动手一步一步的去实现所有需要的技术代码，一个最直接的学习方法就是结合开源的框架，那么可以说深度学习的开源框架基本都是python接口的，能用这些开源框架是我们学习的一个最基本的手段啦，所以重要的事情说三遍,python!python!python!
必备技能2–线性代数，微积分
很多同学该觉得很头疼了。。。，怎么有是数学啊，没错咱们深度学习需要很好的数据基础，我所说的这俩简直就是九牛一毛，但是作为我们入门来说已经够啦。其实咱们所有的深度学习是什么呢？它就是一个复杂的人工神经网络嘛，那么要去能懂这个神经网络的原理，有机器学习基础的同学们肯定都知道，其实就包括了两部分嘛，前向传播和反向传播。这两部分一个最最最核心的点就是矩阵计算和梯度求导运算啦，所以说咱们要能入门这个领域，这些数学可是还要复习起来的。
必备技能3–英文阅读能力:
这个还需要说啥子嘛？技术都是国外搬来的，咱们要学习的肯定都是国外各路大神的作品啦，比如课程呀，论文呀等等，那么要能跟上大神们的脚步，这点肯定是不能少的吧。
必备技能4–查找资料能力:
这点其实是蛮重要的，也就是我们在学习的过程中，要积累一些数据库还有好的学习资源，比如公开的代码呀，这也就要我们经常去逛逛技术博客，github呀看看有木有一些适合咱们学习的东东，找到有价值的学习资源比咱们自己埋头苦学更有价值的。
避开常见误区
深度学习这个领域的坑可以说还是蛮多的，咱们在进军的路上
一定要避开这些了。
自己挖的坑：
咱们在学习的过程中一定要循序渐进，切不可急于求成。这就像练武功一样，一味的求快求狠只能走火入门。这里我暂且认为想要入门的同学们的基础都是比较薄弱的，咱们不能跳过传统机器学习这条路直接一大步迈进深度学习这个领域中，我们起码要知道神经网络是怎么一回事。这对于咱们理解以及掌握深度学习有着重要的帮助，比如咱们第一步要做的就是去搞明白什么是前向和反向传播以及从头到尾的自己推导一遍，有了这样一个过程咱们再去学习深度学习就会轻松多啦。千万不可自欺欺人，一步还没走稳呢就着急跑去下一个知识点啦，在积累的过程中不要给自己挖坑，确保自己搞明白一个点啦再去深入到下一个点中。
掉进别人的坑：
我们在学习的路上肯定会挖掘到很多的资源，但是这些资源不可盲目学习，我们需要有一定的鉴别能力。就好比说我们跟着一个武功一般的学，怎么也不会学到哪里去，但是我们给一个武林至尊当小弟，我们学到的也不会少嘛。这就是说我们要学习的资源一定要是通过了大家的认可的，在我看来现在网络到的很多资源其实错误的地方还是蛮多的，我们尽量多关注一些国外大神的主页以及github上比较火的项目。
学习路线图
这个路线图是针对咱们要入门的同学制定的，已然成神的同学们可不使用哦。
（一）入门神经网络：
对于咱们要入门的同学来说，第一部也是最重要的一步就是能够去懂什么是神经网络以及把整体流程从头到尾的推一遍，神经网络这个东西还是蛮抽象的，这里有一个入门的课程大家可以参考下深度学习全民皆兵
把神经网络以及深度学习所需的每一个知识点都从头到尾的推了一遍还是很不错的。
（二）选择一个深度学习方向：
深度学习现在来说有两个方向比较成功，一个是自然语言处理，另一个是计算机视觉。在学习的路上，我们需要选择一个自己喜欢的方向去深入，有的同学可能会说我都想去研究个究竟，其实只要有时间这些都不是事。但是我觉得还是选择一个方向去深入比较好，无论对于研究还是工作我们不可能同一阶段去弄这两个事，所以确定好一个深度学习的方向还是很重要的。当我们选择好方向之后我们要学习的东东就确定了，对于自然语言处理我们要学习的就是RNN现在更火的是LSTM，对于计算机视觉我们要学习的就是CNN，大家如果听不懂这几个缩写，没关系的等咱们真正走到了这不的时候再去了解也来得及，这里我们只需要知道我们要两个方向可以选择。
（三）论文与代码：
对于选择好的方向我们首先要弄懂这个网络的原理，最好的办法就是边学边做，结合一个实际的项目。有的同学可能比较愁，我哪有实际项目去结合啊，其实咱们github上的每一位大神的代码咱们都可以当成是一个实际的项目呀，比如人脸检测，物体识别呀，这些公开的代码就是咱们练手的利器呀，我们首先需要从头到尾的完全理解一个找好的项目，这其中包括了很多内容了。比如学习一个深度学习框架，应用公开数据集，训练模型等等。从我自身学习的经验来说，最有价值的做法就是，在一些高端会议上找到一篇开源的而且做的事是咱们感兴趣的的论文，首先通读论文，然后对应于开源的代码开始大干一波（就是把代码和论文对应上，确保自己完全理解），还有些需要注意的点比如说咱们一定要找最新的论文和代码，这些应该就不用我多说啦。在完成了一个项目之后，咱们就有一定功底啦，可以说咱们已经入门深度学习这个领域啦，但仅仅是入门，切不可就此止步。
3. 深度学习样本怎么训练
用pandas的read_excel直接导入即可。
4. 深度学习该怎么学
1、深度学习，首先要学会给自己定定目标（大、小、长、短），这样学习会有一个方向；然后要学会梳理自身学习情况，以课本为基础，结合自己做的笔记、试卷、掌握的薄弱环节、存在的问题等，合理的分配时间，有针对性、具体的去一点一点的去攻克、落实。2、可以学习掌握速读记忆的能力，提高学习复习效率。速读记忆是一种高效的学习、复习方法，其训练原理就在于激活“脑、眼”潜能，培养形成眼脑直映式的阅读、学习方式。3、要学会整合知识点。把需要学习的信息、掌握的知识分类，做成思维导图或知识点卡片，会让你的大脑、思维条理清醒，方便记忆、温习、掌握。同时，要学会把新知识和已学知识联系起来，不断糅合、完善你的知识体系。这样能够促进理解，加深记忆。4、做题的时候要学会反思、归类、整理出对应的解题思路。遇到错的题（粗心做错也好、不会做也罢），最好能把这些错题收集起来，每个科目都建立一个独立的错题集（错题集要归类），当我们进行考前复习的时候，它们是重点复习对象，保证不再同样的问题上再出错、再丢分。
5. 如何引导学生进行深度学习
深入学习的基础是专心致志。比如专心听课：①课前要先做好预习工作，找出不懂的知识、发现问题，带着知识点和问题去听课会有解惑的快乐，也更听得进去，容易掌握。②课堂听课的时候要多种动作协调起来，比如边听边做笔记。同时，要参与交流和互动，思考老师讲的或提出的问题，能回答得尽量回答。回答问题的好处不仅仅是表现，更多的是可以让你注意力更集中。③听要结合写和思考。纯粹的听很容易懈怠，能记住的点也很少，所以听课的时候一定要学会快速的整理记忆，比如把多种动作协调起来，边听边做笔记。
具体学习中，要直击弱点，反复操练。反复操练指的并不是重复已经擅长的事情，而是要“聚焦在困难与弱点上”，只有这样你才能得到提升。所以在学习、做题、复习中，要学会梳理知识，找出自己不理解、似懂非懂或没记住的知识，然后有针对性地去解决。没记住的要花时间记忆背诵，不理解的要抓紧找老师同学弄懂。
记忆方面，要灵活运用各种记忆方法。①提取记忆（或者叫检索记忆），具体方法有：A.卡片法，比如背单词的时候，在卡片的正反两面分别写下中、英文，看中文想英文、看英文想中文。B.回想法，比如读完书或上完一节课之后，在一张白纸上写下记得的所有内容。C.提问法，比如读完书或学习完某章节后，自己设计一些问题，通过回答问题来检测自己对知识的掌握情况。D.思维导图法，比如阅读一本书之后，把主要内容梳理成思维导图，然后之后通过思维导图来回忆书本内容。②间隔重复记忆，就是在学习之后，遗忘速度较快的区段及时重复，巩固记忆。按照遗忘曲线，间隔的时间就是在学习或暂时记住之后的：20分钟后、1小时后、8小时后、1天后、2天后、6天后、31天后等这些时间段再重复一遍。当然，具体的间隔时间不需要如此频繁，通常以一天、一周和一月的时间来间隔记忆即可。③记忆法，就是把抽象的信息转译成具体、有趣、容易记忆的信息，比如谐音记忆法、图像法、联想法、结构法等等。不过这些方法需要自己去刻意的练习才能熟练掌握和运用。像我练习过的《精英特速读记忆训练软件》中的“编码定位记忆”就用到了谐音转化记忆、意义转化记忆、形象转化记忆、位置记忆、联想记忆，思维导图就是一种结构式记忆和图像记忆。这些方法的掌握，在学习和记忆这件事上也是一大助力。
学习中，还要重视意见反馈。作为学习者，想要让学习的成效提升好几个档次，就需要在学习或练习的过程持续听取有建设性的反馈，形成一个正向的循环。具体可以从周遭的朋友、师长、甚至是网络上素不相识的陌生人，听取这三种意见反馈：①结果型反馈：做错了吗？②信息型反馈：哪里做错了？③改正型反馈：如何修正错误？
6. 学习深度学习如何下手
机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术
7. 深度学习，需要怎么做到
深度学习想要做到的话，三个步骤就行了，下面就说一下到底是哪三个步骤，往下看就行。
第一步，选择合适的编程语言，编程语言的重要性都是了解的，不过对于选择合适的编程就非常的迷茫，其实对于编程语言的选择只需要注意是否入门简单、是否比较容易上手、开发的效率高不高以及库的多少等等即可。
第二步，学习框架的选择，框架可以带来很多的资源还有工具，可以实现庞大以及高级与优秀的深度学习项目。伴随着深度学习的研究越来越红火，出现了很多的开源深度学习的框架，就比如TensorFlow、PyTorch、Caffe2等等。
第三步，掌握深度学习的基本理论，学习一门知识除了需要实际的经验之外，还需要应用非常深厚的基础理论，这样才算是可以说学会一件东西，在这一点上深度学习也是不例外，而深度学习的基础知识比如有神经网络知识等。
另外分享几个深度学习的应用领域，了解了解吧！
计算机视觉
香港中文大学的多媒体实验室是最早应用深度学习进行计算机视觉研究的华人团队。在世界级人工智能竞赛LFW（大规模人脸识别竞赛）上，该实验室曾力压FaceBook夺得冠军，使得人工智能在该领域的识别能力首次超越真人。
语音识别
微软研究人员通过与hinton合作，首先将RBM和DBN引入到语音识别声学模型训练中，并且在大词汇量语音识别系统中获得巨大成功，使得语音识别的错误率相对减低30%。但是，DNN还没有有效的并行快速算法，很多研究机构都是在利用大规模数据语料通过GPU平台提高DNN声学模型的训练效率。