这段时间以来，一直在学习深度学习机器学习，但总感觉走不进去，有好多基本理论要学习，深度学习有好多框架，例如一些TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon，如果想了解一些框架的对于，可以关注这个博客。（借用博主的）我自己学的是tensorflow，虽然看了很多的东西，也照着敲了很多代码，但感觉还是少点什么，于是乎，就在此总结一下自己最近的一个小白历程：
所有机器学习（深度学习）的基本思路如下：
1.首先需要准备大量的数据（需要机器来学习），获取数据的方法（也称数据采集），可以通过爬虫来进行获取，也可以在网上寻找数据（购买）。获取数据后，还需要进行数据分析和数据清洗，获取的数据可能存在缺失值，并且可能不是你想要的格式，需要修改，在这里需要用的一些技术（python的numpy和pandas（对于数据的处理和分析，这是python自带的强大的库，学习机器学习这些也是一个基础））。数据准备好以后还要进行整理，需要有训练集和测试集（还可以有验证集）。每一个训练集元素都会有一个对应的标签，这样为了算法的优化。
2.接下来就要构建模型，构建模型也就是一个训练算法。训练算法有线性的和非线性，最开始入门都会学到一个最小二乘法，但由于计算量过大，一般不会使用。作为基础了解就好。如果有需要可以参考这里。使用最多的是SGD（随机梯度下降）。
3.使用训练集进行训练，进行误差判断，构建损失函数，不断优化算法，直到正确率达到最高。
4.在使用测试集进行学习器的泛化性能评估，评估方法一般包括三个：留出法，交叉验证法，自助法。
5.不仅要对这个学习器进行评估，还需要有衡量模型泛化能力的评价标准，也就是性能度量，常用方法：错误率与精度、查准率和查全率、ROC（受试者工作特征）/AUC（ROC曲线下的面积）、代价敏感错误率和代价曲线。
好了，不在废话，开始最基本的代码：（代码是照着敲写的，主要是进行思路整理）
（1）调用模块，在这里有一个代码，是有关MNIST的数据的使用，你可以选择调用这个代码。也可以直接贴代码：（在这里，）
（2）构建回归模型：定义x,y进行数据的输入（申请占位符），手写体的像素灰度为784，设置变量权重和偏置，并对变量进行初始化
（3）对权重和偏置进行初始化，使用卷积和池化
（4）进行卷积和全连接，两层卷积，每一个函数都在代码后有相应的解释。
（5）输出层：
（6）训练数据和进行模型评估：
简单总结一下：在数据的输入输出中，选择合适的算法，能使得数据结果更接近真实的答案，因此就需要不断地优化算法，增加合适的神经元，增加多层的卷积层（卷积，池化等一些方式），选择一些合适的激励函数。不断进行训练学习，让正确率提高。