# 你所知道的深度學習是一種謊言 > 原文： [https://machinelearningmastery.com/deep-learning-for-developers/](https://machinelearningmastery.com/deep-learning-for-developers/) 開始深度學習是一項艱巨的任務。 這是一場斗爭，因為深度學習是由 _學者_ 教給 _學者_ 。 **如果您是開發人員（或從業者），那就不同了。** **你想要的結果。** 實踐者學習新技術的方式是通過快速快速實現價值的模型。 這是一種自上而下的學習方法，但這并不是深度學習的方式。 還有另一種方式。一種適用于像你這樣的自上而下的實踐者的方式。 在這篇文章中，您將了解這種方式。 _（我教這種方法并幫助超過 1,145 名開發人員 開始深入學習 python，[點擊了解更多](http://machinelearningmastery.com/deep-learning-with-python/)_ ） 您會相信通過應用深度學習取得成功是可能的。我希望它能激勵你邁出實現這一目標的第一步。 讓我們開始。  你認為你所知道的深度學習是一種謊言 照片由 [Simon Matzinger](https://www.flickr.com/photos/simonmatzinger/14598379523/) 拍攝，保留一些權利。 ## 你想在深度學習中開始...... 但你卻與眾不同 你沒有高等數學相關的碩士或博士學位。 你不是機器學習專家。 你是一個有興趣并且渴望開始使用[深度學習](http://machinelearningmastery.com/what-is-deep-learning/)的專業人士或學生。 ### 也許你是開發人員 * 您想知道如何應用深度學習來解決復雜問題。 * 您需要深度學習技能來改善您的工作前景。 * 您希望深度學習成為您進入數據科學家（或類似）職業的杠桿。 ### 也許你是一名數據科學家 * 您希望在未來的項目中使用深度學習。 * 您有一個棘手的問題，您認為深度學習可以提供幫助。 * 您需要深度學習技能才能保持跟進行業動態并掌控相關的領域。 ### 也許你是學生 * 您需要深度學習技能來改善您的工作前景。 * 你有一個有趣的問題，你認為深度學習是一個很好的選擇去解決問題。 * 你想要了解為什么深度學習如此受歡迎。 **其中一個原因適合你嗎？** 請在評論中告訴我，我很想聽聽你的理由嗎？ **你有進入深度學習的不同理由嗎？** 請在評論中告訴我，我會給你個人建議。 進入深度學習領域的原因是多種多樣的。 無論如何，你將和其他人一樣被對待。像一個學者。  深度學習不僅僅適用于學者 [Breyten Ernsting](https://www.flickr.com/photos/breyten/6424263261/) 的照片，保留一些權利。 ## 深度學習是為了學者......謊言 深度學習是一個學術研究領域。 這個領域已經出現有很長一段時間了。該領域曾用于研究小型人工神經網絡。現在的重點是更大的網絡和更奇特的網絡架構。該領域的突破仍然來自學術界。這個領域很年輕，也是很值得期待的。 這意味著深度學習的大部分信息都是由學者撰寫的。它是為其他學者編寫的，如研究人員，碩士和博士。學生們。 它不是像我們這樣為開發人員編寫的。 這就是你看到如下錯誤建議的原因： > 你需要博士學位才??能深入學習。 或者評論如下： > 在進入深度學習之前，您需要 3 年的高級數學。 垃圾！ 這就是為什么開始深度學習是一場如此艱難的斗爭。這是一個挑戰，開發人員認為他們只能通過回到學校，再過著 3 至 7 年背負債務的生活。 愚蠢至極！ 您可以在幾分鐘內完成深度學習教程。您可以開始構建可用于展示您在該領域不斷增加的技能的作品。你可以從今天開始。 ## 編程僅適用于計算機科學家（不是） 編程過去很難，很具有理論性。 在有計算機之前，你需要了解很多數學知識才能理解編程。 [可計算性](https://en.wikipedia.org/wiki/Computability)和[完備性??定理](https://en.wikipedia.org/wiki/G%C3%B6del%27s_completeness_theorem)之類的東西。 在編程的早期階段，您必須定義自己的數據結構和基本算法。在算法和數據結構并無成果時才是這樣，所以這需要很好地理解離散數學。 像[復雜性理論](https://en.wikipedia.org/wiki/Computational_complexity_theory)這樣的東西。 這些理論性的知識領域可以幫助您成為更好的程序員和工程師。他們仍然在計算機科學課程中教授。 但是你和我都知道你不需要他們開始編程。如果您在大多數編程工作中工作，您甚至不需要這些相關知識。 **您調用排序例程，** **您沒有從第一原則中派生出新的排序操作。** 我們可以將這個類比擴展到深度學習嗎？ 您是否需要從第一原理推導出反向傳播方程并從頭開始實現？相反，我們可以在深度學習 API 上調用 model.fit（）。 ## 等等......頂級工程師怎么樣？ 是的，頂級工程師可以推導出一種新的算法。 事實上，他們經常被雇用來做這件事。這是他們的工作。他們可以做簡單的事情和更難的事情。他們可以調用 sort 例程并為業務數據派生一個新的排序方法，該方法太大而無法容納到內存中。 我的觀點是，這些功能不必先出現，它們可以在以后出現。 自頂向下。而不是自下而上。 這是關鍵。 就像現實世界中的實際編程一樣。 ## 自上而下的程序員（... _ 獲得結果 _） 編程很有趣。 你學習這個功能。你學習了那個 API。您將自己的程序拼接在一起，發現您可以用自己的想法解決問題。 你很早就開始工作，只是隨著時間的推移變得更有成效。您可以深入研究理論，以解決更具挑戰性的問題。由你決定。 盡早提高工作效率有兩個原因： 1. 它讓你保持動力，讓你保持參與。 2. 它可以讓您盡早交付價值，從而提供動力。 **停下來太容易了。** **放棄太容易了。** 這是強大的動力。你知道自己可以可以寫一個程序來解決一個特定的問題。然后有信心實際實施和部署。 在最開始，代碼和設計將變得糟糕。很難維護。不適合長期使用。但是隨著經驗積累，導師的引導和不斷學習你的代碼能力會變得更好。 這就是大多數 IT 運營的方式。自頂向下。不是自下而上的。 您沒有參加計算機語言理論的大學課程來學習 Ruby on Rails，以用于您的下一個 Web 開發項目。您通過一些教程，犯了一些錯誤并熟悉平臺。 重復下一個框架，下一個庫。一次又一次。 重復深度學習。 ## 深度學習不僅僅適用于學者 您可以從下至上學習深度學習。 這可能需要很多年和更高的學位，但你會對深度學習技術的理論有很多了解。 即使經過所有這些努力，您可能會或可能不知道如何在實踐中將它們應用于實際數據。在大學里他們通常不會教授實踐或職業技能。 學術教科書，視頻課程和期刊論文是一個很好的資源。他們是思想的金礦。在開始深度學習時，它們不是開始的地方。  深度學習是為學者，謊言 照片由 [Quinn Dombrowski](https://www.flickr.com/photos/quinndombrowski/7622139752/) ，保留一些權利。 ## 專注于通過深度學習提供價值 深入學習商業和其他研究領域的價值在于可靠的預測。 了解如何使用深度學習來模擬問題。 開發（或參考）用于處理預測建模問題的系統過程。然后再次應用它，一次又一次，直到你真正擅長提供問題的結果。 **善于應用深度學習。** **我們都喜歡我們擅長的東西。** 如果你能做得很好而且可靠，那么你將擁有市場所需的寶貴技能。 您會發現自己正在深入研究的學術論文中的希臘字母，發送電子郵件或致電作者。所有這些都可以向你提供可以用來在下一個項目中獲得更好模型表現的寶貴靈感。 ## 是時候通過深度學習獲得成功 現在，希望你相信你可以開始并善于應用深度學習。 現在是采取行動的時候了。現在是開始深度學習的時候了。 ### 1.選擇一個框架 我推薦 [Keras 平臺](http://machinelearningmastery.com/introduction-python-deep-learning-library-keras/)。它支持 Python。這意味著您可以利用 scikit-learn 和整個 SciPy 生態系統進行深度學習項目。 這個很重要。 您基本上可以免費獲得數據準備，模型評估和超參數優化。 Keras 還提供了從業者友好的 API（即簡單直觀）。它包含了 [Theano](http://machinelearningmastery.com/introduction-python-deep-learning-library-theano/) 和 [TensorFlow](http://machinelearningmastery.com/introduction-python-deep-learning-library-tensorflow/) 庫的功效（以及不必要的復雜性）。它為您提供了前沿框架的速度和效率，而無需使用數十或數百行代碼來完成某些工作。 我在 Keras 上有一些[教程，以及一個免費的 14 天迷你課程，請參閱：](http://machinelearningmastery.com/category/deep-learning) * [在 Python 迷你課程中應用深度學習](http://machinelearningmastery.com/applied-deep-learning-in-python-mini-course/) ### 2.選擇一個流程 保持簡單，但選擇一個強大的骨架，您可以添加和定制您喜歡的技術和問題類型。 我喜歡在預測建模項目中使用的一組很好的一般步驟是： 1. **定義問題**：您試圖解決的問題以及解決問題所需的數據和框架。 2. **準備數據**：轉換為應用于數據的內容，以創建最能將預測問題的結構暴露給模型的視圖。 3. **評估算法**：用于建模問題的技術，以及從不良解決方案中過濾好的指標。 4. **改進結果**：使用什么參數調整甚至整體方法來充分利用正在工作的東西。 5. **當前結果**：您取得的成果，經驗教訓以及您可以直接使用的已保存模型或預測集。 有關處理預測建模問題的過程的更多信息，請參閱： * [處理機器學習問題的過程](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/) ### 3.選擇一個問題 你需要練習。很多練習。 如果您對使用圖像數據進行預測建模感興趣，請查找圖像數據的所有標準機器學習問題并按照它們的方式進行操作。 文字數據？視頻數據？使用相同的方法。 **了解如何使用您的流程獲得結果。** **然后學習如何獲得好成績。 然后是世界級的結果。** 標準機器學習數據集的好處是你有一個基準分數來比較你的結果。 還不確定你的偏好嗎？從 UCI 機器學習庫的標準數據集開始使用多層感知器（[這是一個教程](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/)）。然后在標準物體識別問題上嘗試卷積神經網絡（[這里是一個教程](http://machinelearningmastery.com/object-recognition-convolutional-neural-networks-keras-deep-learning-library/)）。在簡單的時間序列問題上轉向 Recurrent Neural Networks（[這是一個教程](http://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/)）。 然后，去挑戰像 Kaggle 那樣的機器學習競賽中使用的更復雜的問題。進一步研究定義自己的問題并從創意共享中收集數據。 您的目標是開發一個完整項目的模型。 當您處理大型且更具挑戰性的項目時，此組合將成為您可以利用的資源。它也可以是一種資源，您可以通過深入學習和提供價值的能力來展示您不斷增長的技能。 有關開發機器學習組合的更多信息，請參閱帖子： * [建立機器學習組合](http://machinelearningmastery.com/build-a-machine-learning-portfolio/) ## 總結 你發現你所知道的深度學習是“_ 學術界深度學習 _”。不是“_ 開發人員深度學習 _”。 您現在知道，有一整套庫和教程專為您和像您這樣的開發人員而設計。 您發現了一個簡單的 3 步流程，您可以將其用作開發人員深度學習的成功，總結如下： 1. 選擇一個框架（如 Keras）。 2. 選擇一個流程（如上面列出的流程）。 3. 選擇一個問題（然后開發一個模型）。 **這改變了你對深度學習的看法嗎？** 發表評論讓我知道。 您可能希望閱讀的更多深度學習帖子包括： * [用 Keras 逐步開發 Python 中的第一個神經網絡](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/) * [8 深度學習的鼓舞人心的應用](http://machinelearningmastery.com/inspirational-applications-deep-learning/) * [多層感知器神經網絡崩潰課程](http://machinelearningmastery.com/crash-course-recurrent-neural-networks-deep-learning/)