第1课:机器学习和深度学习到底是什么
文章目录
可以,而且这样学 PyTorch 会更顺。
我们先把 PyTorch 放一放,先建立“深度学习到底在干什么”的完整直觉。等这些概念清楚以后,再回到 PyTorch,你会发现很多 API 都很好理解。
我建议按这个顺序学:机器学习是什么 → 神经网络是什么 → 前向传播 → 损失函数 → 梯度下降 → 反向传播 → 激活函数 → 多层网络 → 过拟合 → CNN → Transformer。我们还是一课一课来,不一次塞太多。
第 1 课:机器学习和深度学习到底是什么
先看一个最简单的问题。
假设我们想写一个程序,输入“房子的面积”,输出“房价”。
传统编程是这样:
规则 + 数据 → 结果
比如你自己写规则:
price = area * 10000
这里“每平方米 10000 元”这个规则,是人写的。
机器学习换了一种思路:
数据 + 正确答案 → 自动找规则
比如你给程序很多历史数据:
面积 房价
50 100万
80 160万
100 200万
120 240万
程序自己发现:
房价 ≈ 面积 × 2万
这个“自动找规则”的过程,就是训练。
一个最简单的模型
我们用一个公式表示:
y = wx + b
这里:
x = 输入
y = 输出
w = 权重
b = 偏置
比如:
房价 = w × 面积 + b
一开始程序根本不知道 w 和 b 应该是多少。
它可能随机初始化成:
w = 0.3
b = 10
然后输入:
x = 100
模型预测:
y = 0.3 × 100 + 10
= 40
但真实房价可能是:
200
于是模型就知道:
我预测得太低了
接下来它就要调整:
w
b
使下一次预测更准。
这就是“学习”。
那神经网络是什么?
神经网络本质上没有神秘到哪里去。
它只是把很多这种:
y = wx + b
组合起来。
比如最简单的一层:
输入 x1
输入 x2
输入 x3
↓
加权求和
↓
输出
数学上可以写成:
z = w1*x1 + w2*x2 + w3*x3 + b
例如判断一张图是不是猫。
输入可能是:
x1
x2
x3
...
这些输入实际上就是像素值。
每个像素有一个权重:
w1
w2
w3
...
最后算出一个结果。
所以你可以先把“神经元”理解成:
输入
↓
乘权重
↓
求和
↓
加偏置
↓
得到输出
也就是:
z = wx + b
为什么叫“深度”学习?
因为网络有很多层。
比如:
输入层
↓
隐藏层 1
↓
隐藏层 2
↓
隐藏层 3
↓
输出层
如果只有一层:
浅层网络
如果有很多层:
深度神经网络
所以:
Deep Learning
里的 Deep,主要就是指网络层数比较深。
一个很关键的思想:模型参数
以后你学习 PyTorch,经常会看到:
model.parameters()
什么叫参数?
就是:
w
b
这些需要模型自己学习的数字。
比如:
y = wx + b
里面:
w
b
就是参数。
训练神经网络,本质上就是:
不断调整大量的
w和b,让模型预测越来越准确。
一个很小的模型可能只有:
几千个参数
一个大模型可能有:
几十亿
几百亿
甚至更多参数
但本质没变:
不断调整参数
训练到底是什么过程?
我们先把完整流程记住:
1. 输入数据
↓
2. 模型进行预测
↓
3. 和正确答案比较
↓
4. 算出误差
↓
5. 根据误差调整参数
↓
6. 再预测
↓
7. 再调整
↓
...
这就是训练。
比如:
真实答案:200
模型预测:40
误差很大。
调整 w:
w = 0.3
↓
w = 0.8
↓
w = 1.3
↓
w = 1.8
↓
w = 2.0
最后:
100 × 2 = 200
预测越来越准。
当然,真正的神经网络参数可能有几百万甚至几百亿个,所以不可能人工一个一个修改。
于是就有了一个极其重要的东西:
梯度下降
而“参数到底应该往哪个方向修改”,则由:
反向传播
帮助计算。
这两个东西是深度学习真正的核心。
你现在先记住 6 个词
现在不用理解数学细节,只要建立关系:
数据 Data
↓
模型 Model
↓
预测 Prediction
↓
损失 Loss
↓
反向传播 Backpropagation
↓
梯度下降 Gradient Descent
↓
更新参数 Parameters
循环很多次:
预测 → 犯错 → 修改 → 再预测
模型就逐渐“学会”了。
一个生活化类比
可以把训练模型想象成射箭。
第一次:
目标:靶心
箭射到了左边
你知道:
方向错了
于是调整姿势。
第二次:
偏右
再调整。
第三次:
偏上
继续调整。
最终越来越接近靶心。
神经网络也是一样:
预测结果 = 射箭的位置
真实答案 = 靶心
Loss = 离靶心多远
Gradient = 应该往哪个方向调整
Optimizer = 帮你调整参数的方法
这个类比非常重要。
等我们回头学 PyTorch:
loss.backward()
optimizer.step()
你就不会觉得这是魔法了。
它们其实就是:
loss.backward()
→ 告诉模型“参数应该怎么改”
optimizer.step()
→ 真正把参数改掉
这一课只需要掌握三件事
第一:
机器学习 = 从数据中学习规律
第二:
神经网络 = 大量 y = wx + b 类似结构组合起来
第三:
训练 = 不断调整参数,让预测误差越来越小
下一课我建议讲最关键的一步:什么是损失函数,以及模型到底怎么知道自己“错了多少”。这一课会直接为后面的梯度下降和反向传播打基础。

评论
登录后参与技术讨论,分享你的经验与见解。
登录 / 注册暂无评论