简单理解深度学习网络

上图为一个简单神经网络结构图
神经网络：是一种用来模拟和预测现实问题的数学模型
简单理解为我们最终要得到一个能解决实际问题的数学公式F（x）

上图为一个简单的神经网络层，输入为x，输出部分我们设为y1，则
y1 = w1 * x + b1

两层神经网络连接在一起，，我们设输出为用y2
，*y2 = w2 y1 + b2
但就算是1000层神经网络叠加在一起，我们最终的得到的F(x)也是一个线性函数，而实际问题往往是一个复杂的函数
因此，我们就需要对线性函数进行非线性操作，我们把进行非线性操作的函数叫做激活函数
因此我们最终要得到一般是一个非线性函数
所以每一层神经网络可以写成一个数学公式（圈圈那个符号代表激活函数）：

要想使我们的神经网络（数学公式）得到正确的结果，就需要在已有数据的基础上不断调整，寻找到正确的参数。
还是假设有一层最简单的神经网络y = w1 * x

一开始，w是未知的,我们有一组数据（x，y），我们假设他是1，此时我们得到预期输入y1，我们定义一个值loss等于预测值-实际值。
loss = y1 - y
但loss越大，意味着w离实际值越远，我们可以认为loss = 0时，w就是我们需要的值。
也就是寻找loss-w函数中的极小值点

我们用w减去loss-w函数的导数乘以η（η为自己指定的值）

不断重复以上步骤，直到找到目标值w。
我们将以上过程称为梯度下降