1, Deep Learning简介
1,什么是深度学习
- 深度学习的model是一个深度神经网络结构（neural structure）
- 深度学习的“深度”是指神经网络的隐层（hidden layer）数量足够多
- 深度学习是自动提取特征（Feature extractor），不需要像逻辑回归那样特征转换（Feature engineering）
- 每一个neuron里面的sigmoid function，在Deep Learning中被称为activation function(激励函数)
- 有很多层layers的neural network，被称为DNN(Deep Neural Network)
2,深度学习的三个步骤
- Step1：构建神经网络（Neural network）---神经网络的创建包括3部分：一是神经网络有多少隐层（layer）、二是每一层有多少神经元（neuron）、三是每个神经元之间如何连接
- Step2：模型评估（Goodness of function）
- Step3：选择最优函数（Pick best function）
神经网络的概念:把多个Logistic Regression前后connect在一起，然后把一个Logistic Regression称之为neuron，整个称之为neural network. 我们可以用不同的方法连接这些neuron，就可以得到不同的structure，neural network里的每一个Logistic Regression都有自己的weight和bias，这些weight和bias集合起来，就是这个network的parameter. 比较常用的一个连接方式是Fully Connect Feedforward Network(全连接前馈网络),其概念：前馈（feedforward）也可以称为前向，从信号流向来理解就是输入信号进入网络后，信号流动是单向的，即信号从前一层流向后一层，一直到输出层，其中任意两层之间的连接并没有反馈（feedback），亦即信号没有从后一层又返回到前一层。因为layer和layer之间，所有的neuron都是两两连接，所以它叫Fully connected的network.
3,神经网络是如何工作的?
每一层的计算都是一样的,每一层都用矩阵运算, 矩阵运算的好处是，可以用GPU加速，GPU对matrix的运算是比CPU要来的快的，所以我们写neural network的时候，习惯把它写成matrix operation，然后call GPU来加速它.
注：input、output的dimension，加上network structure，就可以确定一个model的形状，前两个是容易知道的，而决定这个network的structure则是整个Deep Learning中最为关键的步骤. 手写数字识别例子我们已知的constraint只有input是256维，output是10维，而中间要有几个hidden layer，每个layer要有几个neuron，也即network的structure, 都是需要我们自己去设计的，它们近乎是决定了function set长什么样子.
4,如何评价神经网络的好坏(Goodness of function),即确定损失函数
5,找到一个最好的函数（最佳参数）
6, Back Propagation方法update DNN参数
BP（后向传播）是用来快速计算DNN梯度的, 从而更快的更新参数.
如何有效地把这个近百万维的vector给计算出来，这就是Backpropagation要做的事情，所以Backpropagation并不是一个和gradient descent不同的training的方法，它就是gradient descent，它只是一个比较有效率的算法，让你在计算大量数据的gradient的vector的时候更有效率.
- 损失函数(Loss function)是定义在单个训练样本上的，也就是就算一个样本的误差，比如我们想要分类，就是预测的类别和实际类别的区别，是一个样本的，用L表示。
- 代价函数(Cost function)是定义在整个训练集上面的，也就是所有样本的误差的总和的平均，也就是损失函数的总和的平均，有没有这个平均其实不会影响最后的参数的求解结果。
- 总体损失函数(Total loss function)是定义在整个训练集上面的，也就是所有样本的误差的总和。也就是平时我们反向传播需要最小化的值。
1,Forward pass: 就是权值所对应的输入量
2,Backward pass:
一文弄懂神经网络中的反向传播法
3,为什么可以反向传播?
参考:
•My Course: Machine learning and having it deep and structured
•http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLSD15_2.html
•6 hour version: http:///tw_dsconf/ss-62245351
•“Neural Networks and Deep Learning”•written by Michael Nielsen•http://neuralnetworksanddeeplearning.com/
•“Deep Learning” •written by Yoshua Bengio, Ian J. Goodfellow and Aaron Courville •http://www.deeplearningbook.org
