CMUDLSys课程笔记1-IntroductionandLogisticsCMUDeepLearningSystem，教你如何实现一个深度学习系统。CS自学指南课程介绍页面|课程主页本节Slides|本节课程视频目前（2024.01.06）课程在线评测账号和课程论坛的注册时间已经结束，只剩下框架代码里的本地测试供大家调试代码。目录CMUDLSys课程笔记1-IntroductionandLogistics目录为什么要学习deeplearning？为什么要学习dlsys？dlsys的组成部分课程教师学习目标和课程主题课程前置条件课程内容为什么要学习deeplearning？Deeplearni

CMUDLSys课程笔记1-IntroductionandLogisticsCMUDeepLearningSystem，教你如何实现一个深度学习系统。CS自学指南课程介绍页面|课程主页本节Slides|本节课程视频目前（2024.01.06）课程在线评测账号和课程论坛的注册时间已经结束，只剩下框架代码里的本地测试供大家调试代码。目录CMUDLSys课程笔记1-IntroductionandLogistics目录为什么要学习deeplearning？为什么要学习dlsys？dlsys的组成部分课程教师学习目标和课程主题课程前置条件课程内容为什么要学习deeplearning？Deeplearni

引言众所周知的是，在大学课程中一般只会教授一种拟合方法(也即参数估计方法)——最小二乘法。这是一种直接求解的方法，非常的有效，不仅是损失最小解，而且是最大似然解。只不过，有一个缺点，它只能解决线性方程参数问题，对于非线性曲线，就无能为力了。大部分情况下还是将其转换成线性问题，再使用最小二乘法。然而，并非所有的问题都能转换为线性问题，甚至并非所有目标建模公式的参数都能有解析解，其他学科如机器学习等学科如何解决这个参数估计问题？答案是——《最优化方法》，其中最常用的是梯度下降法，不去寻找解析解，而是寻找其导数/梯度。因为导数/梯度具有如下优点导数/梯度永远指向数值变动最快的方向（梯度的性质）导数/