深度学习第二天
python基础：
python属于动态数据类型； 变量是容器;步长[0:5:2]; 索引index[]; 分割split[]: 去空格：lstrip(),rstrip(); 格式化%f，%d，%.2f
图像处理回顾：
我们都知道图像都是由三种颜色深浅调和出来的，这三种颜色就是RGB(0-255)，深度由深到浅。图像是由一个个的像素组成，图像的长宽就是像素的多少，图像有厚度，分别是R/G/B三色叠加起来的，我们称之为通道，一般是由3通道的RGB（0-255） 的颜色由深到浅调和而成。在做图像处理的过程种，图像是4维的，在深度学习网络架构中所使用的方程是：y=xw+b，x代表这输入的图像，因此要想使图像能够参与计算，就需要在python代码中reshape图像的形状，将图像变成一维向量才能计算。w代表权重，每个x对应一个权重，x是向量，w也是向量，要想w向量能够和x向量相乘就需要转置一下w。
梯度概念：
梯度和函数在这一点的导数相似，是求函数在这一点🔺w无线趋近于0时，y的值。梯度有方向，方向向上。
loss = （h - y）的平方2，h为标签，可见loss是一个开口向上的凸函数，我们需要通过神经网络计算，使用梯度下降发对w求导，求出loss趋于稳定的位置。（就是凸函数的最低点，在深度学习中我们不能直接令w的导函数为零，我们需要通过规定学习速率使用梯度下降算法求出loss的稳定值），w = w0 - （lr*（-🔺x）），lr为学习速率（梯度步长），🔺x是梯度，因为梯度要向下所以我们在前面添加一个负号，通过梯度下降算法，最终w的值将会稳定在一定的范围。这样就求出我们想要的w。
注意：学习的梯度步长不宜过大，过小。否则会出现爆炸和消失。
