从研究生进来之后，一直到现在已经进行了一年关于DP的学习，写篇文章总结一下我蹒跚的学习过程。总结来说是一个从入门学习到几乎想要放弃的过程。顺带列举下面几个坑，希望能帮助一下同样在这条路上行走的旅人们。
1、overfitting这个东西
很多刚刚进门的新人，包括刚刚做完一个项目的我，都会认为自己的神经网络效果不好可能是过拟合了。但是实际上过拟合这种事情听说的人多，看到的人很少。当你的激活函数是ReLu，你的优化器是Adam的时候，那就更少概率能碰到overfitting，如果你还有dropout层，那你的碰到的概率更少了。（ps，最近补课李宏毅老师的课得到的知识。）
碰到效果不好的时候，首先应该看看自己training set的效果怎么样，如果正确率很低，那就是没有train起来。这是该考虑的是你的神经网络架构的问题，以及你的优化器，还有学习速率这些。当然还有epoch 以及batch size的大小。
一般来说batch size越大，你的训练时间越少，但是你的神经网络误差会越大。所以batch size大小选择需谨慎。另外，初始的学习速率也不能过大。
但是，也有人会考虑到epoch过大，以及batch size过小，导致训练速度过慢怎么办？这个问题我也遇到过，我的建议是把你的GPU跑起来。
2、关于GPU
在断更的这段时间，我在做项目，跟深度学习有关。那个时候特别傻，一直用CPU在跑，还不敢问老师要个服务器（ps：当然也有不会用服务器的原因），这一跑就是三四天，甚至是一个星期。问题是，CPU跑这个东西，很容易电脑死机，特别是我这种老年机。可想而知，这结果就很悲惨了。特别是由于我这么个愚笨的人，对于神经网络学习了一年，还是不太精进，所以结果很悲惨。虽然，最终结果还是出来了，结果还不错。但是过程真的是悲惨。
等结束项目之后，我好好地看了一下我的电脑，以及我的配置架构。发现我并没有使用GPU！！！所以开始配置GPU了。
网上有很多博客说，python3.6，应该安装CUDAxx版本，CUDnnxx版本，不然就跑不了了。作为一个死倔强的人，其实是个很懒的人，我真的不想卸了我的CUDA和CUDnn重装。大家都懂的，NVIDIA这个坑爹的官网卡就算了，CUDA这类东西又大又有n个补丁，下的慢也就算了，还有各种环境变量要设置，设置完了还要重启，真的是去了半条命。python版本重装也是要人命。后来，在我的不懈努力下，我终于找到了一个博客，他提供了一个GitHub的连接。
这个连接中有对应各个环境的tensorflow，https://github.com/fo40225/tensorflow-windows-wheel，就是这个网站。
找到对应的版本下下来，然后放在你的python文件夹-->Lib->site-packpages 文件夹下，别的文件夹下我也试过，但是我安装后好像还是用不了，不知道是不是环境变量的原因。皮实的小朋友可以试试。
打开Anaconda prompt ,cd到这个文件夹，然后pip install tensoflowXXXXX,这个tensorflowXXX就是下载的那个文件。
找不到Anaconda prompt，可以在开始->Anaconda文件夹下找到。
安装好了之后，可以试试import tensorflow……，就是常用的那个代码。
安装tensorflow-gpu的孩子，可以试试，tf.test.is_built_with_cuda(),是否为Ture，
如果不是，则检查你的python文件夹-->Lib->site-packpages->tensorflow->python->platform->build_info.py 文件
如图，这个文件写了你的tensorflow需要的CUDA 和CUDnn需要的版本。如果它跟你已经安装的版本不符，那说明你下错了。对了，GitHub中的AVX在i3之后的版本都有。
还有CUDA的版本查看是 nvcc -V,直接在cmd 命令敲进去就行
CUDnn版本，是在你的CUDA安装文件夹->include->cudnn.h
一般正常的安装话，这个文件应该在
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\include
CUDnn版本的信息还是很难找到的。
最后，关于你是否使用了GPU，你可以写个代码，然后下载个GPU-Z软件进行查看。
这个GPU load就是你GPU的使用率。
最后强调一下我的环境配置，（叉腰，超牛逼）WIN7+CUDA9.1.85+Python3.6+CUDnn7.0.5+tensorflow-gpu 1.5
我也想用1.10版本，但是可惜我的cuda和python和cudnn版本决定了我只能用1.5，╮(╯▽╰)╭
3、关于学习的方法。
我一开始是看书的，但是，你们懂得，现在关于机器学习的书里面一堆的公式，一堆的概念，一堆概率论什么的，然后我就从入门到放弃了。
然后我开始通过网络搜索各种架构，一点一点搭建起来了DP的一些基本概念。要是形容来说的话，就类似于，我看到了一个绝世大帅哥的轮廓的感觉。你们可以通过看我以前的博客内容，这样就不需要走我以前的老路，一点一点搜集资料了。个人感觉，对于一个以前一点都没有接触过bp内容的人来说，这个基础内容的普及是相当重要的，这相当于让我看到了DP的门槛。
接着，我也尝试着写一写代码，却发觉无从下手。因为我根本不知道该怎么搭建网络。于是，我从网上开始下载各种例程，由于项目需要，我对于YOLO的框架看的格外仔细，虽然仍旧一知半解，只能说会移植知道怎么用，但是用的磕磕绊绊（从我一直用CPU跑完整个项目就能看出，我真的用的磕磕绊绊）但是这个还是有好处的。
YOLO这个东西坑就坑在这货在Ubuntu上面的资料一应俱全，各种帖子特多。但是在windows上就很少很少，只有一个github的工程YAD2K，这个工程关于文件的描述少之又少。所以导致了我在YOLO上研究了很长时间。当然也包括对于VOC的研究以及在Ubuntu上搭建环境什么的。Ubuntu上正版的YOLO我也跑了，叉腰，超牛逼。
总之磕磕绊绊，研究了两三个月。这段时间对于YOLO代码的研究，使得我大概了解了tensorflow以及keras的大概轮廓，以及神经网络的大体架构。
这个时候我回过头去听李宏毅老师的课，真的是受益匪浅。以前听的时候没什么感觉，但是现在去听，却能发觉当初走了很多弯路，而且当初对于YOLO代码的分析有很多的错误。
这个老师讲课真的很精辟，而且讲课风格很幽默，墙裂推荐去听听！！！！
但是我一点也不后悔当初走过的弯路，以及CPU训练代码训练了半天效果还是不好的那段即将放弃的艰苦日子。不走过这些弯路，对于李宏毅老师的课我不可能抓住重点而且没法理解的这么深。我的意思不是说走弯路，而且提倡跟我一样在学习dp的孩子们，在听老师讲实训课之前，最好拿个代码研究一下，这样对于课程的理解会有极大的好处。另外，推荐keras！！！
写的太多了，那么这里就结束了。
