第一课：从上手到多类分类
课程首先介绍了深度学习的很多应用：例如增强学习、物体识别、语音识别、机器翻译、推荐系统、广告点击预测等。
课程目的：通过动手实现来理解深度学习，跟工业界应用相比，主要只是数据规模和模型复杂度的区别。
深度学习的轮子很多，例如Caffe，TensorFlow，mxnet，PyTorch，CNTK等。它们之间的主要区别在于：1.便利的开发；2.方便的部署。
mxnet之上的一个package是Gluon，主要目的是一次解决开发和部署。课程主要分为以下三个部分：
1. 环境配置
我的配置环境是Mac，Linux平台类似。
mxnet安装命令如下，前提是已经安装好了Anaconda，Anaconda的安装可以参考官网：
代码语言：javascript复制pip install mxnet测试mxnet：
代码语言：javascript复制>>> import mxnet
>>> print mxnet.__version__
0.11.0然后安装notedown，运行Jupyter并加载notedown插件：
代码语言：javascript复制pip install https://github.com/mli/notedown/tarball/master
jupyter notebook --NotebookApp.contents_manager_class='notedown.NotedownContentsManager'通过ExecutionTime插件来对每个cell的运行计时，国内使用豆瓣源。
代码语言：javascript复制pip install jupyter_contrib_nbextensions -i https://pypi.douban.com/simple
jupyter contrib nbextension install --user
jupyter nbextension enable execute_time/ExecuteTime2. NDArray
NDArray是MXNet储存和变换数据的主要工具，它与numpy非常类似。NDArray提供了CPU和GPU的异步计算，还提供了自动求导。NDArray的基本用法：
代码语言：javascript复制from mxnet import ndarray as nd
# 创建矩阵
nd.zeros((3, 4))
x = nd.ones((3, 4))
nd.array([[1,2],[2,3]])
y = nd.random_normal(0, 1, shape=(3, 4))
# 查看矩阵大小
y.shape
# 查看矩阵元素个数
y.size
# 矩阵加法
x y
# 矩阵乘法
x * y
# 指数运算
nd.exp(y)
# 矩阵乘法
nd.dot(x, y.T)
# 广播操作
a = nd.arange(3).reshape((3,1))
b = nd.arange(2).reshape((1,2))
print('a:', a)
print('b:', b)
print('a b:', a b)
# NDArray与Numpy的转换
import numpy as np
x = np.ones((2,3))
y = nd.array(x) # numpy -> mxnet
z = y.asnumpy() # mxnet -> numpy
print([z, y])NDArray的自动求导：
代码语言：javascript复制import mxnet.ndarray as nd
import mxnet.autograd as ag
# 定义矩阵
x = nd.array([[1, 2], [3, 4]])
# 添加自动求导
x.attach_grad()
# 记录x的变化
with ag.record():
y = x * 2
z = y * x
# 求导
z.backward()
# 判断导数是否相等
x.grad == 4*x
