Pytorch深度学习笔记（一）前瞻概述
目录
1.人类智能Human intelligence
2.机器学习Machine learning
3.学习系统Learning System
4.神经网络neural network
课程推荐：《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili
1.人类智能Human intelligence
人类智能Human intelligence：把视觉上接收到的信息转化为抽象概念的过程。
如：识别“猫”的图像转化为概念上的猫
2.机器学习Machine learning
机器学习Machine learning：建立模型，通过数据集Label Dataset进行训练，最终得到算法。
3.学习系统Learning System
（1）基于规则系统Rule-based systems：手工设计程序。
如：求f(x)的原函数，设计专门的算法即可
（2）经典的机器学习Class machine learning：手动提取特征，将特征转化为固定的向量，在向量与输出之间建立映射。
x ——> f(x) ——> y
（3）表示学习representation learning:训练专门的特征提取器，将特征转化为固定的向量，在向量与输出之间建立映射。
表示学习的学习器面临“维度的诅咒”，特征维度越高，需要数据越多，因此需要降维。
（4）深度学习Deep learning：设置一些简单的特征提取规则，额外的特征提取器提取特征，学习器使用神经网络。与传统的学习系统不同，深度学习的特征提取器与学习器是同时训练的。
注：是一种段到段End To End的训练过程。
4.神经网络neural network
（1）感知机Perceptron：一种仿生学的算法。将所有的“神经元信号”加权求和，再输出。
（2）人工神经网络Artificial neural network：把许多的感知机按一定的层次结构连接起来，就得到了神经网络。
（3）反向传播算法Back Propagation：能让神经网络工作起来的算法。反向传播算法的核心是计算图。
计算图是一种基于图的算法。只要把基本算子的偏导算出来，就能把图中的各导数计算出来。只要基本算子不变，算法依然可以应用在变化后的图中。
注：各种神经网络架构
