深度学习咋入门啊
输入“/”快速插入内容
深度学习咋入门啊
深度学习咋入门啊
飞书用户22922023年11月20日修改
很多同学入门深度学习时，都会感到困惑和不知所措，应该很多同学在刚接触深度学习时都曾有过 “卷积神经网络为什么要这么设计？” 或者 “ Transformer 中 Attention 机制到底是什么？” 这样的苦恼。诚然，深度学习是一门复杂的学问，让很多新手和小白们望而却步，但同时深度学习又是一项不得不掌握的技术，尤其是现在通用人工智能的发展，很多其他的领域也和深度学习产生了密不可分的联系。本文将引导你如何入门深度学习，并结合国内优秀的深度学习开源算法库 OpenMMLab 中的示例来提供更具体的引导。
从零到一：认识一下深度学习
首先弄懂三个名词，人工智能、机器学习、深度学习，很多想入门的新同学对于三者的概念和关系可能不是很熟悉，借用一张流传很广的图，三者其实是两两之间子集的关系。
深度学习从大类上又可以分为两大领域，计算机视觉和自然语言处理，而每一个领域下面又可以有各种各样的子任务，例如计算机视觉领域下有目标检测、语义分割、图像生成等任务，自然语言处理下有智能问答、文本翻译、情感分析等任务。而 OpenMMLab 主要是以视觉任务为主，同时随着现在大模型、多模态的发展趋势，OpenMMLab也在更多地融合一些自然语言处理领域的其他任务。下面我也将从计算机视觉领域入手，通过计算机视觉中最常见的目标检测任务，也是 OpenMMLab 最广为人知的 MMDetection 目标检测开源库，帮助大家如何快速上手。
快速上手：从一个 Demo 开始
深度学习算法分为训练和推理两个步骤：训练是模型通过学习数据的过程来逐步优化自己的参数，以便能够捕获输入数据的特征并执行特定任务。在训练阶段，模型接收训练数据集（包括输入特征和相应的标签或目标值），并使用优化算法（如梯度下降法）来调整模型参数，以最小化预测值与真实标签之间的差距；推理是使用训练好的模型进行预测或分类的过程，在推理阶段，模型接收新的、未见过的数据样本，并根据其已学习到的特征和模式，生成预测结果。我们先使用已训练好的网络模型上推理看下具体的效果，具体文档可参考推理教程，以 RTMDet 网络来进行推理举例，核心的代码如下：
代码块
from mmdet.apis import DetInferencer
# We download the pre-trained checkpoints for inference and finetuning.
!mkdir ./checkpoints
!mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest ./checkpoints
# Choose to use a config
model_name = 'rtmdet_tiny_8xb32-300e_coco'
# Setup a checkpoint file to load
checkpoint = './checkpoints/rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth'
# Set the device to be used for evaluation
device = 'cuda:0'
# Initialize the DetInferencer
inferencer = DetInferencer(model_name, checkpoint, device)
# Use the detector to do inference
img = './demo/demo.jpg'
result = inferencer(img, out_dir='./output')
如果能够看到如下的检测结果图片，那么恭喜你，目标检测的推理步骤就跑通了。
以上便是深度学习的推理和训练过程，得益于 MMDetection 的良好封装和组织，网络的训练和推理还是很容易的，但是更重要的是，我们需要进一步地透过训练和推理来了解神经网络的结构和设计这些结构的原因。
剥茧抽丝：了解网络的结构和设计