深度学习ff

one-hot编码

为什么要使用one-hot编码

https://blog.csdn.net/binlin199012/article/details/107341462/

损失函数

$$h_{\theta }(x)=g\left({\theta }^{T}x\right)$$

$$J(\theta )=-\frac{1}{m}\sum _{i=1}^m\left[y^{(i)}\log \left(h_{\theta }\left(x^{(i)}\right)\right)+\left(1-y^{(i)}\right)\log \left(1-h_{\theta }\left(x^{(i)}\right)\right)\right]$$
先关损失函数，包括负采样

https://carlos9310.github.io/2019/10/15/Approximating-the-Softmax/

上述为二分类的交叉熵损失函数，加负号是因为log得到的就算结果是负值。多分类的参考：

https://zhuanlan.zhihu.com/p/35709485

使用pytorch实现损失函数为：

https://www.cnblogs.com/peixu/p/13194801.htm

softmax函数

https://blog.csdn.net/lz_peter/article/details/84574716

不同的激活函数

https://www.cnblogs.com/ya-qiang/p/9258714.html
如果没有激活函数，就不算神经网络，激活函数是为了增加网络的非线性。
** 选择激活函数的经验法则：** 如果输出是0,1值（二分类问题），则输出层选择sigmoid函数，然后其它的所有单元都选择Relu函数。

https://blog.csdn.net/adolph_yang/article/details/78956987

BN层的作用

https://zhuanlan.zhihu.com/p/75603087(这篇知乎讲解的很仔细)