惭愧啊，读研的时候学得正是模式识别；当看着书本上都是公式推导、博士师兄们也都在公式推导研究新算法的时候，排斥心理到了顶点，从此弃疗。
工作三年，重新捡起，因为更关注实际操作，所以选择了《python 深度学习》这本书，辅助Andrew Ng视频+博客，希望能够从应用的角度去使用机器学习这门工具，不重蹈覆辙
不想老生常谈，别人讲得很好的，就直接引用了；之前已经了解的概念，也不赘述了； 只关注自己不懂的、以及记录学习过程，所以这会是一个很“草率”的系列...
一、 线性回归
二、logistic 回归与softmax 分类器：
logistic 回归是一个二分类器，softmax 分类器是一个多分类器，它们的激活函数描绘了事件的分布，也就是某事发生的概率(很重要！很重要！很重要！)
对于logistic回归，采用的sigmoid function；可以看到$g(z)$的取值在(0, 1)，且大多数情况下趋于1或0，这不正好表示一个二分类问题嘛：某事发生的概率接近于1，或接近于0
softmax 分类器采用了softmax激活函数，假设输出层有$n$个节点，第$i$个节点的softmax 值为
$ S_i = \frac{e^{x_i} } {\sum_{j=1}^n e^{x_j} }$
每个值在[0,1]之间，且所有和为1，是不是多类别事件的概率呢？
损失函数：
损失函数的作用是什么？ 描绘一组样本的真实值$y$与预测值$h$之间的差距
对于离散问题，怎么去描绘这个差距呢？这里用的是交叉熵(可参考)
1. 信息量
假设事件i发生的概率为$p(x_i)$, 则它包含的信息量为 $-ln(p(x_i))$
如下图所示，$p(x_i)$ 取值为[0, 1]，当一件很小概率的事情发生了，给人直觉的冲击越大，它所包含的信息量越大
2. 熵
熵表示对一个问题信息量的期望
假设一个问题有n种可能性，每种可能发生的概率为$p(x_i)$, 则其熵为：
$H(x) = -\sum_{i=1}^n p(x_i)ln(p(x_i))$
3. KL离散度与交叉熵
KL离散度又称为相对熵，它用来衡量两个概率分布之间的差异，KL离散度越小，分布越接近。
假如样本真实属于P分布，机器学习预测为Q分布，那么它们之间的KL离散度为：
可以看到上式第一项 $-H(p(x))$ 是固定值，第二项就是交叉熵。当交叉熵越小，KL离散度越小，预测分布就越接近于真实分布
所以在logistic回归和softmax分类器中，均使用交叉熵来作为损失函数。对于二分类问题，n=2, 交叉熵又叫作二元交叉熵，其等价为：
$-(p(x_i)ln(q(x_i)) + (1-p(x_i))ln((1-q(x_i))))$
因此，logistic回归损失函数：
softmax分类器损失函数：
三、梯度下降算法
1. 梯度下降的直观理解
想象你在山上的某一点，要以最快的速度下山。 学习率相当于步长，偏导数相当于方向，偏导数越接近于0，越接近一个局部最小点。
初始位置选择不一样，到达的局部最优值也不同
梯度下降算法中权重的初始值可以采用统一初始值，但扩展到反向传播算法却需要随机初始化权重
2. 学习率对梯度下降收敛的影响
3. Normalization Input 有利于梯度下降算法的收敛
其实吧，在Andrew Ng的视频中，归一化、标准化的英文翻译都是Normalization...有时标准化也翻译成standardization，用于以Normalization区分
归一化：
1.Max-min归一化
$x_i = \frac{x_i-x_{min}}{x_{max}-x_{min}}$
2.Mean归一化
$x_i = \frac{x_i-x_\mu}{x_{max}-x_{min}}$
标准化：
1. Z-Score 标准化
$x_i = \frac{x_i-x_\mu}{\sigma}$
其中 $\mu$是样本数据的均值（mean），$\sigma$是样本数据的标准差（std）
什么时候用归一化，什么时候用标准化？ sorry，网上的博客没看懂...
四、反向传播算法
可以参考这篇推导过程，关键是用到了链式法则；平常都是用封装好的API，也就略过这部分了
反向传播算法中参数需要随机初始化
1. 一般取值在[-ε, +ε]，ε 是一个任意给定的很小的数
什么给很小的数呢？这样$z=\theta^Tx$ 也会是一个在0附近很小的数；对于sigmoid, tanh 等激活函数，z在0附近曲线不那么平缓，收敛速度更快
2. 如果初始化采用统一初始值，隐藏层的输出是相等的，梯度下降更新后，连接相同出发点的权重值是一样的
继续梯度下降更新，连接相同出发点的权重值永远是一样的，隐藏层的表示也相等，从而网络变得冗余，拟合效果也不好