第二次作业_软工第5组

1.1心得

马俊腾：对人工智能的历史、深度学习和机器学习有了一些了解，我觉得它对于工业领域能够产生很大的作用，尽管它现在还不算真正的有智能，但是慢慢发展会有很大的空间的。另外对于知识方面，了解到机器学习分为监督式学习和非监督式学习这些知识等等，但是对于我的实践的话，我觉得还得多练。

蒋梦琦：人工智能 > 机器学习 > 深度学习，深度学习发展三要素 - 算法（学术界），算力（工业界），数据（工业界），人工智能不是突然火起来的，是数十年的积累，无数学者不断迭代至今的成果。通过学习绪论和深度学习概述，了解了深度学习的基础概念和神经网络的入门知识，感觉比去年能多看懂了一些，前方的路还很长，还要好好学。

刘瑞帅：通过本次视频学习我理解了深度学习及神经网络背后的理论知识，在以大数据为背景的时代下人工智能得以飞速发展，我相信在后面的学习中我会越来越能理解人工智能的相关知识。并且能够特别出色地完成老师布置的任务。

任晟： 深度学习现如今已经深入到了我们生活中的方方面面，在本次学习的过程中我更加深入地了解了深度学习的相关知识以及神经网络的构建。在大数据时代，人工智能无疑是互联网行业中的黑马，有了数据的支撑，越来越多的模型得到充分地训练。

吴淳桐： 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。

1、自然语言处理、语音识别、用户画像、无人驾驶……这些和深度神经网络（即深度学习）相关的技术在最近几年突然火了起来，随着AI、机器学习和智能机器人变得越来越普遍，在这些机器人将在制造、培训、销售、维修和车队管理方面担任新的岗位。人工智能和机器人将能够实现今天难以想象的新服务。但很显然，医疗保健和交通运输将是AI第一批颠覆的行业。

2、深度学习的进展和计算能力的提高和数据的增长密不可分。

3、如果是一辆无人驾驶车出现了错误，不但它自己会从中吸取教训，所有其他的无人驾驶车甚至是所有未来的无人驾驶车，也将从中获得新的经验。这意味着，一个错误就能训练世界上所有的无人驾驶车，无人车的学习速度远远超过了人类。

钟良胜：看完两个视频了解到了很多人工智能的知识，原来由浅入深地分成了人工智能、机器学习以及深度学习三个阶段。机器学习主要依靠数据经验，由模型、策略和算法三个因素决定。同时也了解到目前理论知识方面已经研究的较为深入了，但应用方面还没有跟上，这就属于机器学习的范畴了。第一个视频大概能看懂，第二个视频后面很多抽象的概念和解释看不太懂。

1.2遇到的问题

（1）为什么算法有时候会陷入局部最优？

（2）如何选择合适的初始权值？

（3）如何选择学习率？

（4）为什么sigmoid函数现在已经不再适用了？

（5）选择loss函数时应该注意什么？

（6）自编码器有那些用途？

（7）很多模型涉及到物理定理和公式，比如能量的玻尔兹曼分布，没怎么听懂；

（8）DBN（深度信念网络）有什哪些应用？

（9）好多种N（网络），看很多模型推导和图示，还是觉得很抽象，应该是因为没太多实践。

(10) 对于模型层级复合程度（图片），模型增量性等概念不太理解，还有机器可以怎样继承知识（介质、方法）？神经网络非线性变化部分也不懂（涉及到隐层好像）。

2.1 pytorch基础练习

2.1.1定义数据

2.1.2定义操作

遇到的问题：

按照博客中使用Tensor时创建的是float类型的张量组，m = torch.Tensor([[2, 5, 3, 7], [4, 2, 1, 9]])，由于v = torch.arange(1, 5)创建为long类型组，会出现RuntimeError: expected scalar type Float but found Long的错误；把1和5改为1.0和5.0即可解决问题。

第一个基础练习是练习了一下torch.Tensor的使用，可以用它来表示各种数字类型以及运算。

创建张量很方便，统计数据十分方便。