深度神经网络算法分析

人工智能的分类

1. 弱人工智能：特定任务与人类智力或者效率持平
2. 通用人工智能：具有人类智力水平，解决通用问题
3. 超人工智能：超过人类智力水平，可以在创造力上超过常人

机器学习的类型

1. 监督学习：通过标签的训练数据集（人脸识别）
2. 无监督学习：通过无标签数据集自动发掘模式（文本自聚类）
3. 增强学习：通过反馈或者奖惩机制学习（游戏）

人工智能，机器学习，深度学习的关系

1. 人工智能：它是研究，开发用于模拟，延伸和扩展人的智能的理论，方法，技术和应用系统的一门技术科学
2. 机器学习：如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以在经验中学习
3. 深度学习：基于深度人工神经网络，自动地将简单的特征组合成更加复杂的特征，并使用这些组合特征解决问题。

人工智能是个大范围，包括了机器学习，机器学习包括了深度学习

深度学习的应用

1. 语音识别
2. 计算机视觉
3. 自然语言处理

深度学习与传统机器学习的差别

深度学习的三个基础算法

1. DNN（deep neural networks）
2. CNN (convolutional neural networks)
3. RNN (recurrent neuron network)

深度学习与人工神经网络

一句话来说就是深度学习的基础就是人工神经网络，而人工神经网络是由生物神经网络的启发得来的。

人工神经网路的最小单元称为感知机，但是现在常常称为神经元。

神经元的内部

神经元是是人工神经网络的最小单元
在上图中

• 输入：一个向量
• 输出：一个标量
• 在中间部分，一个大圆，一个正方形，代表运算
  • 线性变换（加权求和）
  • 非线性变化（非线性函数）

输出就是由线性变换和非线性变换得到的
其实每个神经元可以看作一个复合函数，整个神经网络就是一个大的复合函数

于是，神经元内部的运算，就可以分开看成下面两个函数，其中w,b分别为权重和偏秩，一开始可以人为取值，随着机器的不断学习，w和b会不断的更新。

$$\begin{gathered} z=\sum _{i=1}^{k}f(x_i)=x_1{w}_1+x_2{w}_2+x_3{w}_3+.....+x_k{w}_k+b \\ a=g(z) \end{gathered}$$

可以看出，$a=f\circ g(x_1,x_2,x_3.....,x_k)$的复合函数形式。

also：

通过人为设置得到的参数称为超参数。

系统输入与输出

深度学习模型本质上也是一个运算过程

以房价预测为例：
样本（特征值）：面积，楼层，户型。。。。
标签：价格
那么通过采集得到的数据集应该是下面这样：

多层感知机

神经网络又被称为多层感知机模型

上图中一共有四层神经模型，不算入input层，只有参与运算过程的层数才能算进去，包括output层

FC（全连接）：每个神经元都和下一层的所有神经元相连

训练过程三部曲

1. 正向传播（从input到output，计算预测值）

• 参数（$w,b$)
• 常见的激活函数

2. 反向传播（从output到input）

• 常见的损失函数
• BP算法

3. 梯度下降

• 参数的更新过程
  通过预测值和真实值之间的损失函数不断的求偏导数，更新w，b的值。
  $w=w-\partial dw$
  $b=b-\partial db$
  
• 学习率
• 梯度下降的三种方式

激活函数

在上面提到的$a=g(z)$,其中g就是激活函数，存在于非线性变换里面。通过引入激活函数，使得模型具有非线性的划分能力。将每个线性组合送入激活函数，将输出结果送入下一层神经元的输入。

常见的激活函数：

sigmoid函数：（logistic函数）

早期流行的激活函数，RNN-LSTM网络还会用到。

$f(z)=\frac{1}{1+e^{-z}}$

特点是：

1. 将一个是实数映射到（0，1）之间
2. 在特征相差不大的时候效果比较好

用法：
通常用来做二分类

缺点：

1. 激活函数计算量大
2. 容易出现梯度消失：当数据分布在曲线平滑位置的时候很容易出现梯度消失，梯度容易饱和。

图像(python 绘制）：

Tanh 函数（双切正切函数）

$f(x)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$
特点：

1. 取值范围为[-1,1]
2. 输出以0为中心
3. 可以看成是一个放大版本的sigmoid函数

用法：

1. tanh函数比sigmoid函数更加的常用
2. 循环神经网络会用
3. 二分类问题
4. 靠近输出值位置

缺点：

1. 梯度容易消失
2. 在曲线水平的区域学习非常的慢

图像：

Relu 函数（激活函数的重要发明）

$f(x)=max(0,x)$

特点：

1. relu函数对与梯度收敛有巨大加速作用
2. 只需要一个阀值就可以得到激活值节省计算量

用法：
深层网络中隐藏层常用

缺点：
过于生猛，一言不合就会使得数据变为0，从此结点后的相关信息全部丢失。

图像：

其实还有一种函数leaky-ReLU 函数，就是在其负区间弄一定斜率的函数，解决RELU函数的0区间带来的影响，一般为$max(kx,0)$,k就是leak常数，一般为0.01或0.02，或通过学习得到。

also：
图像绘制可以看sigmoid Relu and tanh函数图像绘制

特殊的激活函数

1. SoftMax函数
2. 线性激活函数
   $y=x$，仅仅用于线性回归