【Python】深度学习入门——基于Python的理论与实现（学习笔记）

一、感知机

1.感知机是具有输入和输出的算法。给定一个输入后将输出一个既定的值。
图形：

公式：其中w1为权重——控制输入信号的重要性；b为偏置——调整神经元被激活的容易程度。

2.“门”的作用：感知机→(门)→应用、计算。
这里的门指：与门、与非门、或门。
它们是具有相同构造的感知机，是线性的，区别只在于权重参数的值。
异或门是非线性的，不能像上述三个门一样通过单层感知机实现，这也是感知机的局限性所在。
感知机的局限性：只能表示线性空间，而不能表示非线性。
要想让非线性能够实现，采用叠加的多层感知机。

二、神经网络

1.输入层→中间层(隐藏层)→输出层
2.非线性问题需要用到激活函数，将输入信号的总和转换为输出信号。
学习过程：
3.激活函数：sigmoid函数、阶跃函数、ReLU函数(常用)，图像分别如下：



3.关于输出层的激活函数，回归问题中一般用恒等函数，分类问题中一般用softmax函数。
分类问题的输出为"根据实际分类问题得到的类别数"。
softmax函数输出的是0.0到1.0之间的实数，且输出值的总和是1。
4.正规化：把数据限定到某个范围内的处理。
预处理：对神经网络的输入数据进行某种既定的转换。

三、神经网络的学习

1.目标：找到最优参数 (eg: w、b)
最优参数：计算出的值和真实值的差别最小。
2.衡量指标/评估：损失函数。
常用损失函数：均方误差、交叉熵误差。
3.方法：梯度法
梯度：指向各点处的函数值降低的地方
4.学习率：决定在一次学习中应该学习多少，以及在多大程度上更新参数。
学习率是人为设置的，不能过大(会错失最优)，不能过小(寻找费时)。
5.解决问题时需要三套数据：一套training，一套test，一套用来计算超参得到最优参数。

四、误差反向传播法：

1.核心词：规则
2.通关boss：Softmax-with-Loss层的计算图：

五、与学习相关的技巧

1.找最优参数的方法：SGD方法、Momentum方法、AdaGrad方法、Adam方法。
其中Adam方法是将Momentum和AddaGrad融合在一起。
不存在能在所有问题中都表现良好的方法。(但通过各个方法的图像可看出AdaGrad较为稳定)
2.权重初值的设置十分重要，设置不好会造成：梯度消失、表现力受限。
3.初始值：He初始值、Xavier初始值。
4.“training时好，test时差”——发生了过拟合。
过拟合原因：（1）模型拥有大量参数、表现力强。（2）训练数据少。
5.权值衰减：一种以减小权重参数的值为目的进行学习的方法。通过减小权重参数的值来抑制过拟合的发生。
在学习的过程中对大的权重进行惩罚。
6.Batch Norm：（1）加速学习。（2）不那么依赖初始值。（3）抑制过拟合。

六、卷积神经网络

1.目的：找滤波器。(学习滤波器的参数)
2.全连接层存在的问题：（1）数据的形状被"忽视"。（2）参数过多。
而卷积层可保持形状不变，可局部感知特征。
3.对原图卷积一次得到一个特征。
4.滤波器越多，提取特征图像越多。
5.计算公式：

6.输入为多通道，滤波器也必须为多通道。
7.三维的变化：

8.一般从边缘开始，因为边缘的差异性较大，比较容易比对。