仔细想想确实在AI学习这一方面没有经过系统学习过，做小学期也是临时抱拂脚，打比赛也是照着简单题边学边做(

由于研究生升学以及未来打算对AI安全进行学习的想法，打算花一段时间重新系统学习一下AI相关的一些知识。

从偷一点点懒开始

第一天就从深度学习的一些基础开始8

深度学习工作的过程实际上是使用类神经网络模拟人脑思考从而找到合适的函数完成目标工作

• 以上是目前是我对于深度学习本质上的一个理解。当然这个理解可能会随着我学习的深入发生撞边，毕竟目前掌握的知识还是太片面了

深度学习的输入

• 向量
• 矩阵：图片识别
• 序列：语音识别，翻译

深度学习的输出

• 数值 regression任务
• 类别 classification任务
• 文章/图片等 比如说目前我们可以看见的一些AI续写，什么上传父母图片生成孩子图片等等的(

机器学习的方法

• 监督学习
  在使用监督学习的过程中我们会收集一定量的数据并将它们实现打上标签，最后使用机器学习算法进行训练。这种方式需要大量的打标签操作，实际上是十分耗费人力的。这一点我也在之前某语音识别进行文本标注的时候深有体会
• 自监督学习
  模型在进行实际训练之前进行一个基础模型训练的过程，基础模型训练这一过程使用的数据并不需要打标签。基础模型的学习过程主要是进行一些基本内容的训练，比如说图片进行一定变换之后让AI认为他们是一样的。
• 无监督学习
  无无标签
• 生成式对抗网络
  收集大量的输入和输出，自动学习输入和输出的对应关系
• 强化学习
  设计者本身也不知道下一步怎么做是正确的，无法正确标注数据，但能够对最终结果进行定义。比如说阿尔法狗那种，

一些其他工作

• 异常检测
  不能嗯猜，给你个香蕉让你猜是苹果还是菠萝显然是不合理的
• 可解释性
  不仅仅要正确，为啥对也得说出来。高考数学大题不写过程扣分扣麻了
• 模型压缩
  节省一些运算资源，小破电脑真跑不动🌶
• 攻击防御
  也算是目前我这一次重新学习的重点部分吧，针对AI的一些攻击与防御手段
• 终生学习
  牛的
• 元学习
  玄幻，目前感觉有点离谱

一些专有名词

• regression 回归，一种最终目标为输出一个数值的学习任务
• classification 分类学习任务
• Structured Learning 机器创作，能不能帮我写作业