Python大数据分析与挖掘实战：微课版（第2版）课件 第8章 深度学习与实现；第9章 基于财务与交易数据的量化投资分析；第10章 众包任务定价优化方案.pptx

深度学习与实现

目录CONTENTS深度学习简介01深度学习框架介绍02TensorFlow基础03多层神经网络04卷积神经网络05循环神经网络02

01深度学习简介

深度学习的定义与起源2006年，GeoffreyHinton提出非监督数据上建立多层神经网络的有效方法，开启了深度学习在学术界和工业界的浪潮。这就是深度学习，其本质是通过构建具有多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。深度学习是机器学习的分支，通过构建多层神经网络模型和海量训练数据，学习更有用的特征，从而提升分类或预测的准确性。其“深度”指多层连续表示，而非更深层次的理解。

深度学习的应用与影响深度学习的概念是源于人工神经网络的研究，随着计算机硬件的不断进步，各类丰富的数据集和算法的进一步改进，运用深度学习最成功的莫过于视觉和听觉等感知问题，比如图像处理、人脸识别、语音识别等等各个领域突飞猛进，依托于互联网、智能手机等成熟技术的应用，在实践中取得了革命性突破进展，而这些问题所涉及的技术也驱动这深度学习的发展更加繁荣，开始朝着软硬件方向进一步的发展，比如最新的AI芯片硬件和AlphaGo为代表的软件方面的快速发展，新的智能时代正在到来！8.1深度学习框架简介

02深度学习框架简介

深度学习本质是有许多隐藏层的各种神经网络拓扑，且其深度神经网络的层数往往很庞大，那么如何简化这些复杂的网络结构呢？接下来介绍几种当下比较热门好用的深度学习模型框架，常见的比如TensorFlow、Pytorch和PaddlePaddle等深度学习框架，得益于各大主流科技公司的开源生态模式，快速推动了深度学习框架在工业界的落地应用以及刺激学术界的进一步发展。8.2深度学习框架概述主流深度学习框架简介

8.2.1Pytorch框架Pytorch是基于Torch开发，Torch于2002年诞生于纽约大学，，底层由C++实现，使用了一种受众面比较小的语言Lua作为接口，考虑到Python在计算科学领域的领先地位及其生态的完整性和接口的易用性，Torch的团队推出了PyTorch，对其模块进行了重构，新增了最先进的自动求导系统，成为当下最流行的动态图框架。PyTorch可以看作是加入了GPU支持的Numpy，比较简洁直观，因此也被广泛使用在人工智能领域。8.2.2PaddlePaddle框架PaddlePaddle框架是由百度自主研发的开源深度学习平台，国内第一款深度学习框架，中文名字叫飞桨，集深度学习核心框架、基础模型库、端到端开发套件、工具组件和服务平台于一体，2016年正式开源，支持CPU/GPU的单机和分布式模式，对NLP相关支持比较好，目前正处于快速发展中。8.2深度学习框架概述

8.2.3TensorFlow框架TensorFlow是由谷歌大脑团队的研究人员和工程师开发的，它是深度学习领域中最常用的软件库,TensorFlow完全是开源的，为大多数复杂的深度学习模型预先编写好了代码，比如递归神经网络和卷积神经网络，支持Python，C++，JAVA，Go几乎所有开发者都可以从自己熟悉的语言入手开始深度学习,并且TensorFlow构建有活跃的社区，完善的文档体系，大大降低了学习成本，不过社区和文档主要以英文为主，中文支持有待加强。框架选择建议对于初学者，建议从TensorFlow框架开始学习，因其获得了极大的成功，资源丰富，学习成本较低。而Pytorch则更适合有一定基础、追求灵活性和动态图操作的开发者8.2深度学习框架概述

03TensorFlow基础

（1）安装tensorflowTensorFlowPythonAPI目前支持Python2.7和python3.3以上版本，支持GPU运算的版本需要CudaToolkit7.0和CUDNN6.5V2以上版本，由于GPU不同的显卡类型和对应的CUDA安装、Tensorflow版本等有严格的限制要求，故本文主要以CPU版的Tensorflow安装运用为例，安装的方法有很多种，步骤如下所述。8.3TensorFlow安装8.3.1TensorFlow安装方法在cmd上输入以下代码：pipinstalltensorflow-i/simple即可安装cpu版的tensorflow框架了。

验证是否安装成功Tensorflow8.3.1TensorFlow安装在程序Anaconda文件夹下，打开Spyder界面，在Console框，输入下列代码运行。importtensorflowastf#加载tensorflowhello=tf.constant(Hello,TensorFlow!)#Tenso