嗯嗯，哈喽大家好，我是麦哥，然后今天由我来给大家讲一下，哎呀，生成绘图课程里面跟数学相关的两节课，首先做下自我介绍吧，我叫外科，然后本科是就读于985的数学专业，然后主要是数学与数学与应用分析，然后研究生去海外读了，在他上一次也就数据科学毕业以后呢，就回国一直在互联网相关的企业做数据相关的工作，比如说数据分析及数据挖掘呀，然后深度学习，继续学习等等，然后我们就先来看一下大概的课程吧！
首先，第一节课是深度学习底层与数学原理，然后我主要是讲大数据，生活中的深度学习底层数学逻辑，这几个方面，其中跟数学相关的话，可能我不会放太多的公式，然后因为时间有限嘛，可能就给大家大概讲一下，然后我说尽量希望以通俗易懂的方式给大家讲通深度学习相关的一些知识的，然后先看一下整体吧就是aigc的背景介绍，我们一直在说ainicainc就是aiaiaiaiai的康盛意思就是用ai生产的一些内容嘛，那么到底什么是ai呢？根据教授的定义的话，ai，其实大概可以分为以下的六类，也就是说，这六个计算机视觉自然语言处理，语言识别与生成机器人学博弈语言。
合作和继续学习，然后可以看到啊，这边对应的其实是我们人类的几种能力，比如说视觉能力啊，语言语言能力啊，听雨说的能力，运动能力和运动智能相关对抗与合作的能力和学习能力等等，可以看到以前的技术其实大多数是为了提升我们工作的效率或者工具的效率，所以可能都是用新工具来取代旧工具，但对于人工智能来说是不一样的，因为他的目标就是模仿我们人类的智能，所以才会有那种神经网络，因为他其实就是想模仿我们人类，对于一些就人类的大脑，对于一些行为或者说决策而产生的一些嗯，输出吧，然后她做这些东西就是为了取代和超越人类的智能嗯。
然后对于深度学习来说，其实最重要的是这两个就是计算机视觉和自然语处理，也就是cv和nlp这个我们后面会仔细的说一下，然后我们再看后面啊，现阶段al的核心理念是什么？其实现阶段的aiai里面，还是统计推断和函数拟合，那什么是统计推断和函数礼盒呢？其实本质上来说就是人工智能，它会提供一个芳婶就一个函数，或者说一个映射吧，然后可以你输入一个东西，它输出一个东西，比如说第一个，第一个是一个语音识别相关的影像，你可以通过一些录音笔，或者说一些录音设备，可以把你的录音文件给她，然后她可以去识别你的指纹，你的声波，然后去返回一个。
你具体说了什么，比如说这边就是哈哈哟，那对于图片来说的话，这个大家可能会比较熟悉哈嗯，我放一张猫猫的照片哦，他可以识别出来这个看似，但实际上现在会有更加高级的一些特征，比如说它可以识别出这只猫的品种，然后他的姿势和他所在的场景等等等等，就如果我们需要的话，那后面呢？这个是下围棋，下围棋也是一个非常非常出名的一个应用啊，就是发发go嘛，它本质上来说其实是把围棋的一些规则给录入进去，就提前录入进去，然后让我们的模型去按照现有的一些棋谱呀或者六属来跑然后呢，当我们真正在下一盘棋的时候，他会分析仪场上的局势，然后告诉我们下一步应该。
怎么走？也就是这边所说的那个目，然后最后一个是对话的一个系统，那就是比如说我们用户可以对它说说一句你好，然后她会回我们一句你好，然后这个是一个大概的介绍，但本质上来说，我们现在的人工智能是什么？其实就是类似于这些东西的那你向前的app，它可能在对话系统上，他现在已经做得相对来说比较成熟了然后对于图像识别和图像生成来说，现在像那个codtv等等都会有一个比较大的进步吧，然后我们再往后看，其实这就是所说的人工智能嘛，然后这个是我们平时经常说的机器学习也就是么是能力和刚刚所说的深度学习deep能力，然后也就是深深度学习具体所用到的一。
一些神经网络，然后我后面也会具体说一下什么是卷积神经网络等等，其实从这个图里面可以很直观的看到机器学习是人工智能自己，而深度学习是机器学习的自己，而这些神经网络其实是深度学习，他具体的一些应用，或者说它的使用方法，我我们来往后看啊，这边我大概写了一下我们的能力和地不能令它的一些细节，比如说既学习，他是通过算法来分析数据，他是从结果当中来学习的，然后会把学习后的算法用来做决策，或者预测，或者进行分类，嗯，这编译用到了，我举了一些聚类算法呀，便是网络呀，包括一些映射相关的例子，然后继续学习呢，他又可以分为有监督的继续学习和无监督的，其实就是一个是一个是。
有雷柏的一个是没有雷波的嘛，然后有监督的学习和无监督的学习，她差别就是看有没有微博本质上来说？我给大家举一个例子吧，比如说我们放很多很多很多的照片来让他来学习，比如说全部都是动物的照片吧，那对于动物来说，如果我们给比如说这这么多照片，我们告诉这个机器，他的微博是猫，然后这一批照片，我们告诉他，他的微博是狗，然后这一批我们告诉他，他的雷博士其他的哦，那不管怎样，他知道了哪些照片是猫，哪些照片是狗，当他学习完以后，他其实就知道了当你在放一些动物的照片进去的时候，她其实就能知道你是猫还是狗，这就是有监督学习，那什么是无监督学习呢？就是我们把。
所有的动物照片可能有很多很多啊，我们放进去，他自己去识别这些特征，但是前提是我们要用我们要给他规定自己已有的算法哈，什么规定好这些算法以后他虽然不知道这些动物，他分别叫什么名字，但是他其他甚至都不知道它们是动物，但是她可以给它分成几类比如说a，比如说b，比如说ca，其实它可能代表的就是a是ab是狗，然后c是霞洞就可能类似于是这样一个例子，那随着我们数据集的增长，然后就会有更多的这个模式，它的算法是会不断优化的，比如说还有der，还有f等等等等等等等等等等等等等等等等等等等等，那什么是深度学习的深度学习，就是它其实不会根据任务来选择算法，它是模仿我们人类的大脑结构和运算。
过程然后他去识别我们输入的一些数据集，我们输入的数据集可能非常非常的多，然后它可以进行一个学习，虽然我这边写着她可以有监督，也可以是无监督，但其实来说，我们基本上是不需要监督的，就对于第一能领来说，当时因网络他来处理我们的输出的东西的时候，它通过中间的那些数据和他的那些神经元的层，其实他就可以自动出去特征了，所以他是没有必要让我们人工来贴标签的，所以其实从我的这个介绍来说，大家就可以明白为什么深度学习，是不是因为她其实是因为她其实是相当于是从技学习里面进化而来的？相当于它是一个更好的算法，用了这个更好的算法，他才变成了深度学习，但同时他也需要更大的数据集和更大的运算力。
好，那我们来接着往下看，嗯，这边我放的图是一个感知器，就是是一个最简单的感知器的电子线路钢索刷深度学习是什么？深度学习就是用一层神经元去识别一个层级的信息，就因为我们现在说的是单层的吧，后面还会受到多层的嗯，大概是什么意思呢？我们其实可以通过感知器到多层的神经网络来了解一下整个神经网络以及深度学习它的原理，就这张图来所说的话，这些xexexn其实就是输出，那这个最后他就是一个是否感应到，因为我们这边说的是感觉气嘛，他最后这个其实就是是否能感应到那这些wwwwwwwwwwww，其实是权重，我们对于感知器来说，它其实就是。
求了一个输入值和权重的一个成绩，然后把他求和了，就用了一个cpc的，然后呢？我们订了一个阀值，这个阀值就是令我们希望这些权重成语，我们输入员的求和他是大于零的，一旦它大于零分，我们就认为这个感觉其他感觉到了，否则他就感觉不到，哦，那我们这样听可能会会觉得诶，这个也挺简单的嘛，但其实神经网络最基本可能就是从这个开始的，就是从输出到输入啊，从输入到输出，然后会有一些权重，然后会有一些法治本质上来说，这就是规则嘛，我们是通过了这个规则才得到了这个输出结果，感知器就是几个淑端和输出端，然后加上对全职的设计和。
对阀值的调整来得到最后是否感应到这个结果，那么为什么说它是单层神经网络的出行呢？感知器，它不等于单层神经网络啊，我们之所以有一个单层神经网络的出行，其实是我们用输出误差的最小均方去自动迭代更新神经元的权重系数，直至它输出信号和目标值的误差达到最小，从而实现了权重系数可以自动连续调节的神经元，这什么意思呢？就是可能用用到了一些嗯数学术语啊，本质上来说就是我们这里是规则，那如果我们这里的规则不是说你完成了，你就达到这个结果，你没完成，你就没有感应，他反而是我在设计你的输入和权重和阀值的时候，我们会。
有一个最小均方的这个算法，然后我们去算这个误差，那这个误差如果超过了我们的预想范围，也就是说法治他就会继续返回来，继续返回来呢，也就是说，它再重新跑一遍这个流程，然后再到这里，然后我们会发现它的误差变小了，但可能他还没有达到我们的条件，那就继续循环，然后继续循环，直到它达到我们的条件，当它达到我们的误差达到最小的时候，我们才让他输出，那其实这个就是权重系数可以自动连续调节的神经元了，也就是说，这是单层神经网络的出现，嗯，那什么是多层神经网络的神经网络的学习，它本质上是大量的一个神经元，通过复杂的连接，形成记忆，就当我们。
能把这个所谓的隐藏层，也就是这些东西，这是一个模模型的基础，每个小方块其实都代表了一个神经元，那当我们在输入可输出的时候，中间的这个东西在我们没有放数据集的时候，它其实只有这些链接，但是他其实是没有一个规则的，所以说，当我们输入数据以后，她在这里面进行一个处理，他才会形成所谓的记忆，其实我们不用管他记忆是什么了？它其实就是一种计算方法嘛，然后通过这些方法，他可以得到一个所谓的结果，那包括刚所说的图像识别，可能就是我们放了一些图图进去以后，它把它会把它解析成我们能够就是这个神经网络可以理解的一些特征，然后形成一个记忆或者说辛苦。
看一个规则好的，然后它输出的结果比如说就是猫，当我们接下来再输入猫相关的图片的时候，他发现，而我符合这个规则，那他就是猫，如果他符合的是狗，那他输出的就是狗，相当于是这样一个意思呢嗯，我们把高层特征可以干啊，可以看成是低层特征的组合，也就是他这个样子，然后我们可以把抽象出来，也就是这个图就是我刚所说的每个方块，它代表一个神经元，然后当我们规则定好了以后什么是规则定好了，就是我们训练好了，以后规则定好了以后，他其实就能输出嗯，好，那什么是多层次的神经网络呢就是因为我刚刚说了，我们要训练，其实就是学习嘛，就是这个模型他自己要学习嗯。
嗯，我这边就给大家举一个比较通俗易懂的例子啊，就是我放的这个图，那么如果我们把神经网络或者说深度学习它看做一个黑盒的话，黑河就是这个然后呢，它里面有很多旋钮旋钮的话，其实就是刚刚神经元就那几个小方块之间，它连接的一个全的系数，或者说你可以认为它是参数就是一些一些参数，那这个东西它是一个灯泡，你可以理解为它是一个输出元吧，就像这边所说的，如果是车的话，他就加入，如果是猫的话，它就输出是加二，那么当我把一类数据喂给这个机器的时候，比如说我们放了一万张照片，一万张猫的照片。
然后我们就会开始调旋钮，我们调到只有对应这类的数据，他的灯泡才会亮，也就是说它的目标，他达到了，那如果我现在放的是车的照片，他也是调节这个旋钮，他最终要做到的是什么呢？就是我所有类型的收入都打到输出的目标值，也就是说我把这个所有的旋钮都给选好了我，我放进去车的照片，它输出的就是加一我放进去猫的照片，它输出的就是加二，那其实这就是一个最简单的一个神经网络的模型的例子，就是图像识别，其实就是分类找特征，然后所谓的这些旋钮的调整，其实就是参数的调节。
就这样讲，可能大家会比较好理解哈，那当我们进行了训练，训练是什么意思？就是我刚所说的，我一直把这些照片放进去，然后要我们要调这个旋钮调到只有这个灯泡会亮那什么是测试呢？就是我在放心的数据，或者我放心的猫咪放心的车，然后他还是输出一样的结果就是车是架衣帽是夹耳，那这样的话，当我们进行了训练和测试这两个阶段以后，这个过程结束以后，参数及也不会发生变化，参数集就是这边的旋钮设置，那所有的旋钮已经固定不动了，那这个黑河这个有了许多旋钮的黑河，其实就是我训练猫和车的一个模型了，就是已经训练和测试好了，接下来你只要放一片进去就好了，嗯，好，那我们来看一下。
想深度学习的应用吧，像我刚所说的，其实就是输入端，然后我进行一个模型的训练，然后我输出，因为我本身的工作方面会跟很多跟游戏比较相关，所以我这边可能说了一些例子是游戏相关的，比如说如果大家玩游戏的话，可能都会知道游戏里面可能有很多机器人就是boss或者说npc那其实他在游戏里面的作用是非常重要的，因为很多游戏都有大量的npc吗？它可以帮助我们完成游戏的一些情节呀，增加游戏的挑战性，然后使得游戏世界更加真实等等等等等，作为开发者，我们一方面可以根据经验去制定一些玩法和规则，写成一个形维数，其实这是数列的算法，然后我们这边就不赘艺术，其他算法了，它本质上来说就是我们定死了玩法和规则。
然后让它形成一个数的逻辑树是什么？就是一步一步一步，或者说他有其他的分支，可能就类似于这样的，然后从而实现控制逻辑，但这种方法的话，其实她开发周期是比较长的，而且成本比较大，还有一种是基于规划的想想像树搜索，然后基于符号表示等等，这边其实他还是在探索，未来就是这些东西，它可能不是已知的，他可能要自己去试验，然后他再来决定，当前应当采取的一个动作，这种方法在一些逻辑比较简单的游戏上，其实是能获得比较好的表现的，因为它相对来说处理起来没有那么麻烦，但如果这个游戏它的规则非常复杂，或者说他需要仿真，那可能这个就不是很适用了然后就是基于监督。
学习刚刚所说的那个处理猫和车，其实就是都学习了，但这种方法，他要求的是要有大量的有标记的样本，就比如说我们的游戏已经上线了，或者说虽然我们在测试，但是我们的数据量非常非常大我们的玩家特别特别特别特别特别特别特别特别特别特别特别特别，那只有在这种情况下，我们的数据才够，那只有够了，他训练出来的方案可能才会比较好，所以其实都各有弊端吧，但是其实这都是深度学习的一些应用罢了。