【吃瓜之旅】第五章吃瓜学习

 【吃瓜之旅】本系列是针对datawhale《吃瓜教程-西瓜书和南瓜书》的学习笔记。本次是对西瓜书第五章的个人学习总结。本次学习的是神经网络，因为之前深度学习学过这里的相关内容，以及西瓜书第三章的铺垫。本章相对比较好理解~不过也拓展了一些知识，除了介绍神经元、感知机、多层网络、BP算法，也介绍了一些其他的神经网络开了开眼，BP成功的背后也有很多神经网络模型，也许他们也有绽放的一天吧。本章也介绍了老朋友深度学习。打算学完这本书，把代码录一遍就投入花书的世界。加油加油，本次学习快结束了。不过这样的生活才刚开始。

目录

第五章：神经网络

5.2 感知机与多层神经网络

5.3 误差逆传播算法

5.4 全局最小与局部最小

5.5 其他神经网络

5.6深度学习

---

第五章：神经网络

5.1神经元模型

本节介绍了神经网络模型中最小组成部分，神经元模型。神经网络是通过计算机和神经科学交叉学科研究的成果。最小单元神经元模型类似神经，在接收外部信号后将信号传递到其他神经元。神经元模型（M-P神经元）：当神经元模型在接收外部数据后，对每个数据属性接受的权重不同，以W标记。同时需要通过神经元的阈值，经过“激活函数”后对通过的信号进行反馈。

这里的激活函数情况是（a）所示，但由于这样的阶跃函数存在不连续，不光滑的特点。为了激活函数更容易处理，选择sigmoid函数，保证输出区间在（0,1）。

5.2 感知机与多层神经网络

值得注意的是这里的数据前提书线性可分，也就是二维环境下有直线可以区分样本，

这里将w转x-θ变为w转x  由于将θ看做亚节点。

看完感知机的概念后回到那个线性不可分的问题，也就是如下图所示的异或问题，你没办法找到一条直线去解决：

这里就需要我们采用多层神经网络去处理。

以上为解决异或问题的多层神经网络。有了多层神经网络，就可以解决更复杂的问题。但是多层神经网络的参数计算也更困难，该如何计算呢？

5.3 误差逆传播算法

误差逆传播算法就是鼎鼎大名的BP算法，也就是深度学习的鼻祖吧。最成功的深度学习算法，理论上可以解决所有分类和回归问题。不过……

革命尚未成功，同志仍需努力！

回到BP模型：

通过对上图的推到，得到bp网络每个参数的梯度计算方法，也就是知道每个参数的优化方向。在训练模型时，不断训练E，在学习率η控制下使其得到最小值。

上图就是上述推导后用法的计算图，也就是BP算法的计算图。

书上介绍了两种BP算法  累计和标注，标准对每个X都会做一次更新参数，而累计对训练数据做完后再更新参数。一般建议先累计，到差不多后做标准BP。

对于神经网络也会带来过拟合问题,以下是过拟合定义：

解决过拟合采用如下两个方法：

1. 早停
   
2. “正则化”

 

5.4 全局最小与局部最小

一般我们计算可能到局部最小，因为η学习率的存在，可能得到一个损失函数最低的参数组后不会再变动。可能跳不出这个坑。但是大家还是没有放弃找到全局最小，这里给出三种解决办法：

5.5 其他神经网络

这里介绍了几种别的神经网络，感觉后面可能用得到：

5.5.1RBF

RBF特点就是需要一个中心，用于聚类。

5.5.2 ART

ART是自己和自己竞争的模型，可以做到学且不忘。

5.5.3 SOM

SOM特点就是高维向二维无监督抽象，感觉不错也可以用于无监督聚类。

5.5.4 级联相关网络

级联相关网络，特点就是自己给自己分层。

 5.5.5 Elman

这个Elman就是RNN，对于时间序列和语言处理有很好的效果。

5.5.6 Boltzmann机

Boltzmann机是输入和输出互相训练隐藏层，好奇怪的计算。是基础退火算法的升级版。可以求得全局最优的一种BP替代方法，但是计算消耗较大。不过我觉得国内量子计算发展的可以，这个东西将来可能也会替代BP这样的网络吧。这块做了解学习啦。

5.6深度学习

这里主要说了深度学习中随着层数增加较少过拟合问题，但是计算复杂度也变多。

引出“预训练+微调”的方法及“权共享”的方法提升网络计算效率。

玉汝于成，功不唐捐。