深度学习基本概念简介

1. 从线性模型说开去

Linear models 存在的问题：y与x始终呈线性关系（Model Bias：模型偏差）

我们需要更加复杂的模型（如何拟合出上图红色线类似的形状）

constant表示常数，当x1的值达到某一threshold（阈值）的时候，set1的分段值会发生改变，即产生斜坡。

0+1=red(1)

0+1+2= red(2)

0+1+2+3 = red(3)

red(1)、red(2)和red(3)分别表示上图中红线的三个分段

所有的分段线性曲线（Piecewise Linear Curves）都可以用常数加上蓝色函数实现。（分段线性曲线的转折越多，对应蓝色函数的分段也越多）

如果不是分段线性曲线，可以用点分割的方式转换成分段线性曲线。

2-1. 如何表示蓝色函数

（1）Sigmoid函数作为激活函数

（2）调整b，w，c使得产生的sigmoid function不断地逼近真实的蓝色函数

（3）新模型：加入更多的特征

（4）r的线性代数表示

（5） r通过sigmoid函数得到a_i

（6）最后a_i与常数c_i相乘的时候重点注意c_i需要转置。

x表示feature

W、b、c^T和b都表示未知参数

（7）将以上所有参数竖直排，形成参数矩阵

2-2 求新模型的最优解

θ^* 表示最优解，与之前机器学习的步骤相同，随机挑选θ⁰

倒三角形表示Gradient

将数据量为N的数据集随机分为若干个batch（B）小数据组，每个batch算出的Loss都用来更新参数（并非直接使用N对应的Loss）

每更新一次参数叫做Update

将所有的batch都看过一遍叫做一个epoch

为什么要将hard sigmoid换成soft sigmoid

其实不用换，hard sigmoid可以由两个ReLU函数叠加

S型函数转变为线性整流函数（激活函数：Activation 的选择）

使用ReLU作为激活函数进行实验

对模型修改的思考：

（1）更改我们所使用的激活函数

（2）多层调参，多个不同激活函数可以嵌套，多个相同激活函数也可以嵌套

Neuron指的是神经元（激活函数得出的值）

Neuron Netword指的是神经网路

每排Neuron叫做一个hidden layer：隐藏层

很多的hidden layer叫做deep

deep的整套技术称为Deep Learning

不一直将layer更加深入的原因在于会出现过拟合现象

深度学习基本概念简介

原文：https://www.cnblogs.com/MurasameLory-chenyulong/p/14812275.html