100行Python代码理解深度学习关键概念 从头构建恶性肿瘤检测网络( 二 )
3.探索反向传播和梯度下降算法的工作原理 。
在这个领域中 ， 有很多大牛都通过视频和博文分享了自己掌握的专业知识 ， 如fast.ai的Jeremy Howard、吴恩达、Andrej Karpathy、Yann Lecun等等 。
他们一致认为 ， 深度学习的关键之一就是 ， 尽快亲自动手编写一个深度学习的模型 。 当前 ， 深度学习领域中有很多强大的库可供我们使用 ， 如Tensorflow、 PyTorch、 Fast.ai、 Keras、 Mxnett、 Nctk、DL4J 等 。 如果仅仅直接使用这些强大的库 ， 我们可能会错过很多关键的东西 ， 因此 ， 我们需要进一步思考这些进程中最重要的那部分 。
如果能自己亲自动手编码创建一个神经网络 ， 我们就不得不面对创建过程中出现的一些问题和障碍 ， 挖掘深度学习背后隐藏的那些令人惊叹的知识 。
当前 ， 深度学习领域中有各种各样的架构和开发：卷积神经网络、循环神经网络和生成对抗网络等等 。 在这些不同种类的网络背后 ， 都包含了两个相同的算法：反向传播算法和梯度下降算法 。