⑴ 深度學習是需要掌握什麼基礎，才能學習
關於編程基礎
只會 Java 語言，不會 C/C++/Python 能學習嗎？或者學過 C/C++/Python，但是沒有實際應用過，或者基礎不好，是否可以學？是否有 Python 學習教程推薦？如果 C++/Python 基礎比較薄弱，是否可以學？
【回答】完全可以。
我們會跟隨實際的代碼編寫，一步一步進行指導。在數據科學、大數據和機器學習（深度學習）領域，Python 被視作最為簡潔和直接的腳本編程語言，被科研領域和工程領域廣泛採用，因此 本課程也會針對 Python 編程語言本身，跟隨編程實戰，與大家一起編程的過程中逐步講解。
事實上 Java 編程語言在大數據處理和機器學習領域的應用也十分廣泛，課程中涉及到 真實工程代碼的部分，我們會將 C++ 與 Java 版本一同展示和講解。由於這不是一門教學編程語言的課程，更注重於實際應用的編寫，因此編程語言特性方面的門檻較低。
本課程著眼於海量數據實時處理和深度神經網路架構和編程，編程語言這塊不會是瓶頸。並且，大家會跟隨老師一起，編寫機器學習代碼，也會因此熟悉 Python 編程，事實上這對未來的個人發展和工作具有非常大的幫助。
在課程後半段，我們將會使用前半段課程編寫的實驗程序，轉化為實際的工業級代碼和產品，這時將涉及 C/C++ 和 Java 代碼的編寫。由於 Java 在面向對象的基本結構上與 C++ 十分相似，因此這一塊也應當不是問題。
正如前面所闡述的，我們也會同時展示 Java 版本的高層應用實現。最終，同學們會發現這些代碼雖然由不同編程語言實現，但大體相當，並無過多區別。另外，針對編程語言方面的疑慮，老師也會手把手從最基本的代碼開始編寫，並盡可能詳細講解每一段重要的代碼。
全課程不僅從理論方面會由淺入深的講解，編程實戰也同樣會從最基礎部分（包含語言的部分）開始講解。希望能夠打消同學們的疑慮。通過學習本課程，不僅對整個機器學習、深度學習和分布式大數據實時處理有一個全面的認識，而且在非常實際的工程實踐，將來找工作和職業發展，都將會有非常大的提升。
如果有其他語言的基礎，但是沒有 C＋＋和 python 基礎也是完全可以學習的，語言只是工具，有其他語言基礎學習新語言很快，尤其是 Python 這種語言很簡單，而 Java 和 C++ 相比之下可能需要花費更多時間去學習。但本門課程在工程實踐環節也會針對編寫的代碼進行詳解，盡可能確保打消大家對這一方面的顧慮。
這個課需要大數據基礎嗎?
【回答】不需要。
本門課程不僅會講解機器學習領域的經典理論、演算法和工程實踐，還有一大特色便是講解大數據或海量數據的高性能分布式處理，通過這兩大領域的學習和碰撞，會為大家未來職業發展和規劃起到如虎添翼的作用，這一點在其他課程中較難體現，也是本門課程的主要特色之一。
本課程的老師擁有多年雲計算和分布式實時處理方面的經驗，同時撰寫了相關書籍以及開源的大數據處理框架，擁有豐富經驗，以此基礎上再講解機器學習和深度神經網路，讓同學們對這一領域的幾個關鍵點都一個較為全面的學習和掌握。
關於數學基礎
有的同學有數學基礎，但是缺乏 C++/Python 編程語言；有的同學沒有數學基礎，是否可以學？數學基礎需要到什麼程度？如果提前學習是否有資料推薦？
【回答】首先學習本門課程並不需要特別高的數學基礎，只需要掌握大學本科階段學習的高等數學、線性代數和概率論等課程。
雖然從應用角度上來看：
如果想要深入研究深度學習，比如完全自己實現不同結構的網路，設計網路的層與參數最好能夠熟練運用矩陣理論中的相關工具，但是我相信如果職業道路規劃不是演算法工程師，一般並不會深入到這一層面。
對應於不同應用領域，還需要不同的數學工具，比如和圖像、信號識別相關的領域，圖形學等相關的基礎功底是必須要有的，但這個已經是復雜的現實應用問題了，並不在本門課程的教學范圍之內，本門課程的應用領域還是相對較為簡單的。
這個實際崗位在很多公司中往往是演算法工程師
大數據分析和處理方面的崗位
雲計算應用或平台的開發工程師
機器學習或深度學習應用或平台的研發工程師
一類是有好的編程功底，同時又能夠基本理解機器學習和深度學習的人，他們的任務往往是負責封裝改良第一類人實現的功能模塊，從時間、空間和代碼質量上改良模塊的實現，同時負責維護完整的演算法 SDK，這類 SDK 往往要求能夠快速迭代更新，能夠配上完整的訓練和測試流程，需要開發者具有較強的工程能力還有架構、設計思維。
至於崗位問題同學應該完全不用擔心，尤其現在有許多以人工智慧為核心的公司如爆發式增長，以及傳統 IT 企業向海量數據處理、機器學習和深度學習領域不斷加大投入，對這類工程師的需求量極大。
實際上，如果你是一個工科生，你會發現學習數學最難的地方就是不理解這些數學工具到底能幫助我們去解決什麼問題，因為大學老師大多數都是數學專業老師，並不會從學生各自專業的角度來講解數學問題。但是當你知道你需要用數學工具做什麼，有一個明確目標後，你會發現你的動力和學習能力將會有一個突破，你不會覺得這些數學知識是枯燥乏味的。因此哪怕你的數學基礎相對薄弱，有一個明確的目的，再去補充這些數學知識，相信學員自己一定能解決這個問題。數學也絕對不是學習這門課的障礙，但是如果你想以其作為職業，去打好這個數學的底子是不可或缺的。
最後，如果你是數學專業，或者覺得自己數學很好的學生，你們也更不用擔心不會 1、2 門語言，因為計算機語言只是一種工具，最關鍵的還是訓練自己的思維，這種思維的核心就是數學和演算法。如果你數學很好，學習這些語言是很快的，而且本門課程中除了最後的 C++ 開發，也不會應用到什麼特別的語法特性。
但是另一方面也不要忽視學習好這些工具的重要性，只是希望學生自己能夠權衡。對數學好的同學來說，可能最致命的是一個誤區，因為計算機的基礎是數學，所以完全使用數學思維去解決計算機問題是沒問題的，我這里只能說計算機有自己的思維模式，哪怕是那些基於數學原理的演算法問題，所以數學專業的同學必須要學會認識到這種思維的差異並學會使用計算機的思維來解決問題，而機器學習則是計算機思維的一個典型代表，這個將會在課程中具體討論。
至於需要的數學基礎，肯定是希望同學能夠學習高等數學中的微積分，線性代數和概率論的相關知識，對於沒有實際編程經驗的學生則推薦深入學習一下離散數學（無關乎是否精於數學）。本門課程需要的數學基礎也就是這些了。
關於內容
深度學習和機器學習的關系是什麼？很多同學以為要先學機器學習再學深度學習是這樣嗎？
【回答】機器學習肯定是深度學習的基礎，因為深度學習就是深度神經網路，而人工神經網路則是機器學習的一大經典模型。但是我們要認識到機器學習領域包含的演算法和模型太多，因此想要專精深度學習不一定要學會其他許多的機器學習演算法和理論。所以我們會在課程中安排機器學習相關的內容，只不過都是機器學習中和深度學習相關的必備基礎知識。
但是如果你想要以後往演算法工程師發展，去學習熟悉其他的機器學習模型也是必不可少的，只不過本門課程並沒有這種要求，所有需要的機器學習知識都會在課程的前半部分詳細講解。
Caffe 框架和 TensorFlow 框架都要學嗎？
【回答】首先本門課程主要應用的是 Caffe，但是同樣會講解 TensorFlow 的基本用法，並會進行簡單演示。在我們的日常工作中發現 TensorFlow 是目前最強大的機器學習框架，沒有之一，而且有 Google 公司的支持，有最龐大的社區，一旦有什麼新模型都會有 TensorFlow 的實現可以使用（得益於 TensorFlow 的架構設計）。用 TensorFlow 來進行快速實驗是非常好的選擇。
但是我們也發現 TensorFlow 有兩個比較大的問題，第一個問題是 TensorFlow 的單機執行效率低，尤其是和 Caffe 相比，對於資金並不是很充足的創業公司，在有一定量數據的情況下，並無法支撐一個可以快速運行 TensorFlow 訓練的集群，這個時候 Caffe 以及其各種改版往往是更好的選擇，而我們日常工作的實驗場景就被此局限，因此更偏向於實際使用 Caffe。
第二個問題是 TensorFlow 過於龐大，實際開發產品 SDK 的時候，我們希望訓練出來的模型能夠直接放到產品中使用，因此訓練和產品 SDK 使用的深度學習框架往往是一致或者可以互相轉換的。而 TensorFlow 過於龐大復雜，還需要使用專門的構建工具，在實際產品應用集成中往往要使用能夠完全掌控的工具和框架並進行修改，TensorFlow 的復雜性正和這種要求背道而馳。當然也可能是我們的工作場景和人員限制導致我們沒有人力對 TensorFlow 進行深度研究、裁剪和維護，這也就是我們產品中使用 Caffe 的原因。
關於就業
學習了課程，掌握了這個技能，能不能找到工作，是否有匹配的崗位？
【回答】肯定可以！
不過自己平時更多地去實踐是成為某一領域專家的必經之路，這門課程的最大作用之一是讓你知道該去學習什麼，還有學習的思路、方法，以及平時難以接觸到的大型企業實際的工程經驗和架構方法，這將對同學們的未來工作和職業發展提供極大幫助。
通過學習本課程，可以匹配到以下幾個崗位：
而演算法工程部門的工程師一般會有兩類人（除去部門負責人等高級職位）：
一類是能夠較熟練運用 1 到 2 門語言（比如 Python、Java 或 C++），數學功底好，熟悉機器學習和深度學習的人，他們的任務是不斷優化機器學習模型，進行訓練測試，調整參數等，這個過程中也需要編寫相當多的腳本來幫助自己解決各種問題。最後要能夠編寫實際的產品代碼，不需要有非常好的架構和設計思想，關鍵是能夠高效地實現某種演算法。
大公司還是小公司需要這種崗位？機器學習工程師的薪資待遇如何？
現在大公司和小公司都有，尤其是以人工智慧為主的公司。至於崗位問題同學應該完全不用擔心，尤其現在有許多以人工智慧為核心的公司如爆發式增長，以及傳統 IT 企業向海量數據處理、機器學習和深度學習領域不斷加大投入，對這類工程師的需求量極大。
至於薪資待遇方面，由於目前以及可預期的未來很長一段時間，這類崗位的需求和缺口都非常大，相信同學們在學習完本課程後，再加上自己對該領域的實踐和工作經驗，能夠獲得高於市場的薪酬水平。
如果你想快速掌握各方面的專業技能，不落後這個人工智慧的時代，這絕對是一門你無法忽視的課程。如果你的機器學習基礎非常薄弱，沒有在工程實踐中使用過機器學習，沒有實時數據處理的經驗，那麼，就是它了。
送你價值 200元 本課程優惠碼【FCXTG3BGYX】，僅限使用 10次
⑵ 深度學習作為輸入的圖像一般是矢量圖嗎
深度學習作為輸入的圖像一般為矢量圖。
在電腦中，圖像有兩種表達方式，一種叫做點陣圖，另一種叫做矢量圖。
點陣圖是把一幅彩色圖像分成許許多多像素，用若干位數字來指定每個像素的顏色、亮度等屬性。因此一幅點陣圖就由許許多多描述每個像素的數據構成，這種表示方法很直觀，而且能夠很精細地描述圖像。點陣圖一般可以通過掃描儀、數碼相機等設備獲得。影響點陣圖大小的因素是圖像的解析度和顏色數。
矢量圖是由一系列電腦指令來表示一幅圖，比如畫點、畫線的指令等，用數學表達式來表示一幅圖。在顯示圖像時，電腦是一邊計算一邊顯示的。矢量圖文件的大小取決於完成圖像繪制工作所需的指令條數。
矢量圖容易做到對圖像的移動、縮放和旋轉等等。相同的或者類似的圖像可以當作構成復雜圖像的構件，把它們存放在圖庫中，以縮短繪圖時間，減少矢量圖文件的大小。對於一幅很復雜的彩色照片，則很難用數學表達式來表達，這時往往用點陣圖來表示。一般點陣圖文件比矢量圖的文件要大。
點陣圖是由像素組成的，在放大點陣圖的時候，如果沒有特殊的處理，點陣圖會變得很粗糙，原因是圖像的尺寸變大了，而像素的數量卻沒有改變。
矢量圖在放大時，不會出現這種失真，因為矢量圖中存放的是繪制圖像的信息，不會因為圖像大小的改變而改變。
希望我能幫助你解疑釋惑。
⑶ 自己學習深度學習時，有哪些途徑尋找數據集
如何讓深度學習突破數據瓶頸
如果用現有的深度學習去實現這一點，那就需要大量的事故數據，但這方面的數據供給非常有限，而採集數據又難度很大。首先，沒有人能夠准確預測何時何地會發生何種事故，因此無法系統地提前部署以採集真實事故數據；其次，從法律上來說我們不能靠人為製造事故來採集數據；第三，也無法模擬數據，因為事故更多涉及實時的感測以及與物理世界的互動，模擬出來的數據與真實數據差距很大，這從 DARPA 機器人挑戰賽就能看出來；最後，像 AlphaGo 那樣，在規則定義明確的簡單環境下自行創造大量訓練數據的方式，在復雜的真實環境中難以發揮作用。
如果遇到數據量不足的情況，同時又很難通過之前那些行之有效的方式去增加數據供給，那就無法發揮出深度學習的優勢。而更重要的是，我們還會遇到數據類型不一樣的問題，物理世界中是不同感測器獲取的實時數據流，而現在深度學習在信息世界中的應用，比如說圖像識別，使用的數據都是基於圖片的數據點，而非數據流，所以這也是將深度學習現有的成功延伸到真實物理世界應用的一個底層障礙。
基於這個原因，Demiurge 專注於開發一種系統方法從源頭解決真實世界諸多領域中數據量嚴重不足的問題——既然很難有效增加數據供給，為何不設法大幅降低對數據的需求？
降低對數據量的需求、實現小樣本學習甚至 one-shot learning，是目前深度學習研究中的關鍵問題，Yann LeCun、 Yoshua Bengio 等深度學習專家也多次在演講中提到解決深度學習中 one-shot learning 問題的重要性。
在今年斯德哥爾摩的全球機器人頂級學術會議 ICRA 上，Bragi 在 Instry Forum 演講中介紹了 Demiurge 的方法，從神經科學里尋找關鍵線索，「比起深度學習的點神經元，生物神經元所擅長的是從多模的實時數據流中提取多維度的時空信息來實現 one-shot learning，這是現有的深度學習很難做到的。生物神經元不僅能夠做這種特徵提取，而且是以一種非常高效的方式，效果和效率都很出色。」
深度神經網路的確從神經科學領域的研究中獲取了一些靈感，但其工作原理與人腦截然不同（誠然，我們對大腦的工作原理還沒有弄清楚），Yann LeCun 表示，他最不喜歡的對深度學習的定義就是「它像我們的大腦」，谷歌 Jeff Dean 認為深度神經網路是對大腦神經網路的簡單抽象，並非是模擬人類神經元如何工作。神經科學專注的點包括計算的細節實現，還有對神經編碼以及神經迴路的研究。然而，在機器學習領域，人工神經網路則傾向於避免出現這些，而是往往使用簡單和相對統一的初始結構，以支持成本函數（cost funcion）的蠻力最優化。
Bragi 從歷史的角度分析了深度學習和神經科學的關系，「現在的深度學習從神經科學中獲得的靈感非常有限，這是因為深度學習的理論基礎是上世紀 80 年代基本定型的，那時之前的神經科學也發展比較慢，無法為深度學習提供更多靈感。而從 80 年代至今，神經科學的發展速度遠遠超過了之前，過去 30 年產生的神經科學知識是 80 年代以前的 46 倍，而且現在每年神經科學獲得新發現的速度是 80 年代以前的 100 倍。所以，對於深度學習來說，如今的神經科學已經是一個非常巨大的寶庫，為提升現有深度學習的學習能力提供重要線索。」
Bragi 表示，越來越多的深度學習專家開始研究如何從神經科學中獲取更多的線索，「 Yoshua Bengio 做的非常前沿，一方面研究深度學習的反向傳播演算法在生物神經元上是如何實現的，另一方面研究生物神經元的 STDP 學習演算法如何提升現有的深度神經網路的學習能力 。位於深度學習與神經科學交匯的最前沿，我們很深刻地體會到現在正在發生著的轉型，從深度學習和神經科學沒有太大關系的這一代（深度學習1.0），過度到深度學習重新從神經科學獲得重要啟發的下一代
⑷ arcgis深度學習只能用一張圖嘛
是的。
1、標注對象以一張圖供深度學習。
2、導出訓練數據進行深度學習。
3、訓練深度學習模型。
4、使用深度學習檢測對象即可。
⑸ 深度學習的具體步驟是什麼
你說的這個不算深度學習的范疇，就是一個模式識別，提取圖片的特徵值文本，這個你用普通的圖片識別演算法就可以解決，這個已經很成熟了。
⑹ 如何深度學習抽取圖片特徵，並利用這些特徵和已知數值建立模型進行預測
你這應該不是數字圖像處理，應該是一種包含其它信息的特殊圖片，我的方向是高光譜，如果是結合高光譜圖像技術的話，要結合一定的化學計量學方法，具體是哪個化學分式影響水果糖度不同，主要應用的工程軟體，MATLAB比較通用一點，也好溝通，特徵提取後，建立一個數學的預測模型，把你的圖片載入到MATLAB的演算法內，一步步跑出來，這就是你的程序側。
主要還是依靠演算法實現，如果你要用深度學習去實現預測水果糖度，還是要了解一下食品檢測的最新演算法，目前我了解的，還是CNN開拓性比較大一些。演算法要看你的側重了，側重在降維、特徵提取還是回歸模型的建立，還是全部的新演算法。
⑺ 深度學習10張圖片能出模型嗎
不能出模型。
深度學習模型往往在大型監督型數據集上訓練。所謂監督型數據集，即每條數據都有一個對應的標簽。比如流行的ImageNet數據集，有一百萬張人為標記的圖像。一共有1000個類，每個類有1000張圖像。創建這樣的數據集需要花費大量的精力，同時也需要很多的時間。現在想像創建一個有1M個類的數據集。試想一下，對有100M數據幀的視頻數據集的每一幀進行分類。該任務量簡直不可估量。
無監督學習的目標是兼容小數據集進行訓練的通用系統，即便是很少的數據。比較主流的無監督模型有：聚類學習、自動編碼器、生成模型、PredNet。
⑻ 深度學習 背景圖片需要標簽嗎
寫好內容，選好平台。
深度學習首先要精通內容，然後選擇合適的題目，寫好文章後，選擇合適的平台，就可以發了。
區別於傳統的淺層學習，深度學習的不同在於：
(1)強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節點；
(2)明確了特徵學習的重要性。也就是說，通過逐層特徵變換，將樣本在原空間的特徵表示變換到一個新特徵空間，從而使分類或預測更容易。與人工規則造特徵的方法相比，利用大數據來學習特徵，更能夠刻畫數據豐富的內在信息。
⑼ 什麼是深度學習如何保持深度學習
現在的科技發展速度非常快，對於智能設備將是一個發展方向，而其實我們以為的智能設備並不具備我們這樣的學習能力，他們是通過無數圖片，視頻去發現其中的學習秘密，然後慢慢發展成為智能化的，其中大家最熟知的就是深度學習這個詞了，但是很多人不知道什麼是深度學習？如何保持深度學習？其實簡單來說就是電腦晶元的深度挖掘，可以讓晶元處於長時間的工作達到保持深度學習。
這里其實我們就可以看做平時挖礦人員，用顯卡去挖礦，不是一張顯卡就能搞定的，需要弄很多顯卡成一個工作室，來同時不間斷挖礦，但是這也是非常消耗晶元壽命的，這樣的顯卡一般壽命都無法保證，說個題外話，也不建議懂電腦的人去買礦卡，雖然便宜但是沒有任何保證，說不定哪天打游戲就突然掛了，這是沒有任何維修的，不要貪圖這種小便宜。
⑽ 深度學習是怎麼識別人臉的
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據。
卷積神經網路(CNN)
局部連接
傳統的神經網路是全連接，即一層的神經元與上一層的所有神經元都建立連接，這樣導致參數非常多，計算量非常大，而CNN是局部連接，一層的神經元只與上一層的部分神經元建立連接，這樣可以減少參數和計算量。
Technology-MachineLearning-FaceRegonition-CNN-LocalConnected
權值共享
給一張輸入圖片，用一個filter去掃時，filter裡面的數就叫權重。用該filter對整個圖片進行了某個特徵的掃描，例如Edge detection，這個過程就是權值共享，因為權重不變。
Technology-MachineLearning-FaceRegonition-CNN-WeightSharing
人臉識別
多個CNN加其他層，遍歷而成的人臉識別處理結構：
Technology-MachineLearning-FaceRegonition-CNN-Example
層提取到的信息的演進：
Technology-MachineLearning-FaceRegonition-CNN-Example2
人臉檢測
傳統演算法
識別:滑動窗口+分類器
用一個固定大小的窗口去滑動掃描圖像，並通過分類器去分辨是否是人臉。有時候人臉在圖片中過小，所以還要通過放大圖片來掃描。
Technology-MachineLearning-FaceRegonition-Window&Classifier
訓練:特徵+Adaboost
傳統特徵:LBP/HOG/Harr
圖片原始的RGB信息，維度太高，計算量過大，且不具備魯棒性，即光照和旋轉，對RGB信息影響非常大。
利用LBP得到二進制值，再轉換成十進制:
Technology-MachineLearning-FaceRegonition-LBP
效果圖：
Technology-MachineLearning-FaceRegonition-LBP-Example
Adaboost
由於移動設備對計算速度有一定要求，所以用多個弱分類器加權疊加來完成一個強分類器，從而保證速度。
Technology-MachineLearning-FaceRegonition-Adaboost
深度學習
特徵的選取是比較復雜的，可能需要大量的統計學和生物學知識積累，而深度學習不需要選擇特徵，這是其很大優勢，另外通過GPU代替CPU等方式，可以得到一個更好的效果。
Technology-MachineLearning-FaceRegonition-DeepLeaning-Example
關鍵點檢測、跟蹤
傳統演算法
Cascade regression/ESR/SDM
傳統演算法步驟：
根據人臉檢測的框位置，先初始化初始臉部輪廓位置;
進行上一步位置和圖形特徵檢測下一步位置(一般是迭代殘差);
進行迭代，最終得到相對准確的輪廓位置。
Technology-MachineLearning-FaceRegonition-KeyPoints
深度學習
深度學習演算法步驟：
對圖像進行輪廓定位態校正;
全局粗定位;
局部精細定位。
作者：YI_LIN
來源：簡書