深度学习入门（上）-第二章 神经网络模型

12.神经网络整体架构

神经网络是层次结构，且是非线性的结构。那么需要指定哪些参数呢？
w1, w2, w3，要明确他们的大小。

非线性的成立需要有激活函数（如sigmoid），使得神经网络的效果很好，表达出非常强大的效果。

---

13.神经网络模型实例演示
激活函数：使结果非线性

当求完的得分值，数值比较大或者比较小时，函数的导数值都很小，易发生梯度消失的现象，没法更新权值，没法反向传播，神经网络就收敛不了了。层次越多，梯度消失现象就越严重。
Sigmoid出现的问题：梯度消失

Relu激活函数的好处：能够解决梯度消失问题。
神经元的数量会影响最终的分类效果，神经元个数越多，通常情况下，网络模型的效果就越好。越多的神经元就越能表达越复杂的模型，但要提防过拟合现象。
14.过拟合问题解决方案
正则化项在神经网络中的作用： λw2 λ w 2 ， λ λ 表明了对参数w的惩罚力度。合理的 λ λ 可以增强神经网络的泛化能力。


数据预处理

归一化数据：减去均值（以0为中心的数据），除以标准差。
权重初始化：采用高斯初始化或者随机初始化，不能采用全零值初始化，即不能拿常值初始化。
对于偏置b而言，采用0值初始化即可，用常值初始化是没有问题的。

W = 0.01 * np.random.randn(D,H)

Drop Out：
对于全连接来说，过拟合的风险很高。
解决方法：每次迭代时，随机drop out。这种做法非常常见。