学了几个礼拜的深度学习，在这里做一个总结

What is a neural network?

就是利用十分复杂的神经网络模型，那么我们接下来说一下什么是神经网络模型

神经网络模型

神经网络模型就是一个很复杂的函数，我们输入数据，经过这个模型函数，可以给我们先后要的输出

假如我们要建立房价的预测模型，一共有六个房子。我们已知输入x即每个房子的面积（多少尺或者多少平方米），还知道其对应的输出y即每个房子的价格。根据这些输入输出，我们要建立一个函数模型，来预测房价：y=f(x)。首先，我们将已知的六间房子的价格和面积的关系绘制在二维平面上，如下图所示：

 一般地，我们会一条直线来拟合图中这些离散点，即建立房价与面积的线性模型。但是从实际考虑，我们知道价格永远不会是负数。所以，我们对该直线做一点点修正，让它变成折线的形状，当面积小于某个值时，价格始终为零。如下图蓝色折线所示，就是我们建立的房价预测模型

 其实这个简单的模型（蓝色折线）就可以看成是一个神经网络，而且几乎是一个最简单的神经网络。我们把该房价预测用一个最简单的神经网络模型来表示，如下图所示：

上面讲的只是由单个神经元（输入x仅仅是房屋面积一个因素）组成的神经网络，而通常一个大型的神经网络往往由许多神经元组成，就像通过乐高积木搭建复杂物体（例如火车）一样

现在，我们把上面举的房价预测的例子变得复杂一些，而不是仅仅使用房屋面积一个判断因素。例如，除了考虑房屋面积（size）之外，我们还考虑卧室数目（#bedrooms）。这两点实际上与家庭成员的个数（family size）有关。还有，房屋的邮政编码（zip code/postal code），代表了该房屋位置的交通便利性，是否需要步行还是开车？即决定了可步行性（walkability）。另外，还有可能邮政编码和地区财富水平（wealth）共同影响了房屋所在地区的学校质量（school quality）。如下图所示，该神经网络共有三个神经元，分别代表了family size，walkability和school quality。每一个神经元都包含了一个ReLU函数（或者其它非线性函数）。那么，根据这个模型，我们可以根据房屋的面积

和卧室个数来估计family size，根据邮政编码来估计walkability，根据邮政编码和财富水平来估计school quality。最后，由family size，walkability和school quality等这些人们比较关心的因素来预测最终的房屋价格。

神经网络模型的一些知识

什么是模型的层数

就是指向神经元的有数字的箭头的层数

什么是权重

 神经网络模型=结构+权重

神经网络的类型

1、CNN(卷积神经网络）一般应用于图像识别

2、RNN（循环神经网络）一般应用于语音处理

什么是batch-size 

就是训练一次获取得数据大小

 在我们实际运行代码的一些知识

神经网络模型 = 神经网络结构+权重

一、我们在从网上获得的代码，里面都有一个预训练权重（参数）。等我们把数据输入，经过神经网络训练后，可以得到一个新的权重文件，这个参数是更加适合我们的输入与输出的关系

二、运行代码三步走

1、更改某些参数

2、train.py

3、运行detect.py(有的代码可以先运行一些test.py看看效果）

三、冻结训练的作用

当我们已经有部分的预训练权重，这部分预训练权重所应用的那部分网络是互通的，如骨干网络，那么我们先冻住这部分的权重的训练，将更多的资源放在训练后面的网络参数，这样使得时间和资源利用都能得到很大的改进。然后后面的网络参数训练一段时间之后再冻结的部分，这时再一起训练。

四、什么是置信度

置信水平Confidence level是描述GIS中线元素与面元素的位置不确定性的重要指标之一。置信水平表示区间估计的把握程度，置信区间的跨度是置信水平的正函数，即要求的把握程度越大，势必得到一个较宽的置信区间，这就相应降低了估计的准确程度。如果在一次大选中某人的支持率为55%，而置信水平0.95上的置信区间是（50%,60%），那么他的真实支持率有百分之九十五的机率落在百分之五十和百分之六十之间，因此他的真实支持率不足一半的可能性小于百分之2.

五、我们在安装pytorch的时候，实际安装的是torch，torch有cpu与gpu版本，还需要安装对应的torchvision

关于一些特别的介绍

1、tensorflow 与pytorch 是一个官方的神经网络框架和数据包，里面有一些预定义的神经网络层，我们可以直接调用。我们要想构造我们自己的神经网络模型，不需要从头开始，只要调用现有的层就行