在这里分享我学习深度学习的好文章

我一直有一个想法，就是其实很多小白不是不愿意学习，而是找不到合适的路线，或者说就算网上有很多的路线，他也很难根据路线上的某一个节点找到一些对应的文章，所以我一直也想做一些系列，就是推荐一些好的文章，并且写下我的新的体会，然后按一定的顺序编辑，让小白跟随着我一步一步入门。(优质好文值得反复观看)

首先，我是个纯小白，我看了下面这一篇神经网络入门
看了这一篇文章，我大致对神经网络有了一定的理解。
但是我还是有些疑问，为什么计算出来的概率就可以一一对应到各个象限，是提前规定好了吗？
然后我就开始在网上搜索，发现了有人和我问了同一个问题，底下的回答挺有用的。节点对应哪个类别
然后我看了这篇文章标签训练，知道了我们其实能得出上面那个结论，是已经提前用标签对应好了。
然后是one-hot的一篇文章，这篇文章对我帮助很大，让我知道了输出层的内部到底是怎么使用one-hot的one-hot
到这里，我大概了解了，就是说其实哪个节点对应哪个哪个其实是事先已经规定好的了，而且应该是用了一种类似于one-hot的编码，但是还是有点一知半解。
然后我看到了神经网络，真的讲的非常好

就是说我们首先先通过训练得到了w，b的值，这时候神经网络才算是建立成功了，然后再将其投入使用

而且，那些矩阵的运算也看得我很头晕，于是我看了下面的这一篇文章神经网络矩阵的理解，如果对神经网络矩阵的计算不是很理解，强烈推荐多看几遍这个文章，他对矩阵这一数学运算的理解我觉得很牛！
然后这一篇也是相当不错，印证了我前面很多想法神经网络

对训练过程我有了大概的了解，反正我们一开始会随机的设定一些权重，然后根据我们的标签进行训练，这个权重带来的结果可能很不好，但是没关系，我们有损失函数，计算出与真实值之间的误差，然后根据误差利用梯度下降法（里面运用了一些反向传播的知识，其实就是求偏导）的方法去调整我们的参数（也就是权重和偏执）

一些补充：机器学习与深度学习的区别看这篇文章，你能知道深度学习相较于以往的机器学习有哪些不一样的地方，有助于你更好地理解深度学习。

看到这里，其实你对神经网络应该有大致框架的了解，并且知道哪一些地方会做什么，接下来就是要学一些深层次的算法之类的。

比较重要的算法有梯度下降法，理解梯度是一个很重要的事情！要知其然也要知其所以然！！！梯度，这个作者真真写的很好

梯度，是多元函数的概念，1元函数其实是没有的，因为单元函数其实就只有一个方向，那就是沿着x轴（啊啊啊，这么简单的道理，我当时硬是想不通，还好看了这篇文章，如此地愚蠢）
这篇文章我很喜欢，所以大概总结一下我从中学到的东西，以二元函数为例，我们一开始求偏导，其实也是只是求出了沿x方向和沿y方向的变化率，但是如果是二元函数（多元函数），他的方向已经不像1元函数那样局限在坐标轴上了，他可以有无穷无尽个方向，所以我们就定义了方向导数这个概念，方向导数就指明了各个方向的变化率，然后我们通过方向导数的式子可以看出（公式文章里有推导），刚好就是在方向为（对x的偏导，对y的偏导）时候，函数变大得最快，人们为了方便，所以就定义了这个方向为梯度------>以前都是因果倒置地学啊，我的高数终究是错付了！！！

梯度下降法广泛运用于反向传播，看这篇文章，将反向传播阐述得清楚明白梯度下降法和反向传播有什么关系

以上学完，当你已经入了门，这时候接触什么都会有一种触类旁通的感觉！这种感觉真的很奇妙~我推荐你去听听吴恩达老师的吴恩达深度学习你一直会有一种恍然大悟的感觉，讲得很清楚明白