零基础从20K到25K的深度学习之路--1为啥要学机器学习.

问题导读

1.为啥要转行做机器学习工程师？
2.和机器学习相关的几个关键词
3.分享一个可运行的深度学习demo

http://www.aboutyun.com/forum.php?mod=viewthread&tid=24802

为啥要转行做机器学习工程师？

摘要：这是一个系列的文章，讲述了一个工程师从零自学深度学习的过程。希望能和大家100小时入门深度学习，然后慢慢积累10000小时成为大师。这篇讲讲为啥要学习深度学习，再引入一个可运行的demo。

1.为啥要转机器学习？

先搞清楚为啥要学这玩意，才能更好的义无反顾的投身到机器学习的道路上。笔者现任职于顺风科技，作为一名普通的大数据开发工程师，深感大数据开发很容易被取代(java工程师经过简单的自学很容易转行大数据开发工程师)，所以立志转行机器学习工程师。

只有不容易被取代，你才有更大的存在的价值，也才能变得更值钱。

2.几个和机器学习有关的关键词

人工智能、机器学习、深度学习、tensorflow和Keras

(1) 为啥要用人工智能？

人希望计算机能帮咱们做一些重复性的工作。对于一些简单的，比如算一下一部电影里面有多少个单词，计算机很容易做到。但是如果让计算机识别这部电影是啥类型的(爱情、动作、恐怖..)，对于咱们人来说看一会大概就知道了，但是对于计算机就很难。人工智能就是干这个事的。这事算一种图像识别，而图像识别就是人工智能要解决的一个问题。

(2) 机器学习和人工智能啥关系？

机器学习是搞定人工智能问题的一个很有效的方法。

(3) 那深度学习又是啥？

深度学习算是机器学习的一个分支吧。可以这么理解，机器学习分为传统机器学习和深度学习。而深度学习其实就是想办法让计算机能够像人类的大脑一样去学习，然后解决问题的一种机器学习技术。

(4) 那tensorflow又是啥？

深度学习是一门比较难的技术，所以我们选择用牛逼的人或者公司的成果去快速的解决问题。而tensorflow就是谷歌内部用的深度学习计算框架，因为开源了，所以大家都能用。目前也最火，所以咱们用tensorflow框架来深度学习。

(5) Keras又是啥？

就算tensorflow框架已经开源了，但是还是有点难。咱们想着能不能更快的用这个框架。然后Keras出现了，Keras其实就是对tensorflow包装了一层，是一个高层的深度学习的API。用了Keras，我们能更快的入门深度学习。
搞清楚这几个关键词，大概知道是做啥的，然后再去百度下加深印象。

总结下：我们用机器学习去解决人工智能存在的问题，深度学习是机器学习里面比较火的一个分支，tensorflow是google开源的比较牛逼的深度学习框架，而Keras则让深度学习变得更加简单入门。

3.入手一个可运行的深度学习Keras的小demo。

如果要运行这个demo，可以按照我的第一篇零基础从20K到25K的深度学习之路--0 搞定机器学习环境安装机器学习环境

现在有个图像识别项目的需求：

我们想写个程序，来识别图片上的到底是啥数字。就像上面图片，有很多很多手写的图片，我们要做出一个模型，让计算机看一张图片就知道上面是数字几。对于人来说，那太容易了，但是对于计算机来说就有点难了。通常的做法就是我们找来很多的数据集，将这些数据集分成两部分，一部分拿来训练，一部分拿来测试咱们的程序识别的准不准。

机器学习项目一般包含以下几个固定的套路：

Step1:数据采集。我们会收集很多很多的手写数字数据。通常情况下，数据越多，质量越高，你的模型效果就越好。

Step2:数据预处理。我们会将收集到的手写图片进行预处理，转化成统一的格式，这样会方面咱们模型的输入。比如下面的程序里面的 minst数据集就是一张一张的28*28 像素的图片。大家可以了解下mnist数据集，可以方便我们学习模型，而不用花过多的时间去找数据。

Step3:模型训练。数据找到了，并且经过预处理成了咱们理想的格式，下面就是用深度学习的方法去训练咱们的模型。

Step4:模型验证。前面咱们用训练集来训练数据，现在用测试集来试试咱们的模型到底好用不好用。用咱们的模型去识别下图片，看看能不能判断是哪个数字，识别的准确率高不高。

Step5:模型优化。根据验证的结果，来判断模型的优劣，然后不断完善。

[mw_shl_code=python,true]#导入相关的包
import numpy as np
np.random.seed(1337)  # for reproducibility
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import RMSprop

# step1 数据采集。下载minst的数据集
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# step2 数据预处理
X_train = X_train.reshape(X_train.shape[0], -1) / 255. # normalize
X_test = X_test.reshape(X_test.shape[0], -1) / 255.    # normalize
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)
model = Sequential([
            Dense(32,input_dim=784),
      Activation('relu'),
      Dense(10),
      Activation('softmax'),
])

rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)
model.compile(optimizer=rmsprop,loss='categorical_crossentropy',metrics=['accuracy'])
print('Training ------------')

# step3 开始训练模型
model.fit(X_train, y_train, epochs=2, batch_size=32)
print('\nTesting ------------')

# step4 验证模型
loss, accuracy = model.evaluate(X_test, y_test)
print('test loss: ', loss)
print('test accuracy: ', accuracy)

# step5 根据训练结果，来优化模型。[/mw_shl_code]