一、深度学习介绍
1.深度学习的步骤
神经网络
模型评估
选择最优函数
2.完全连接前馈神经网络
特征:信号流是完全单向的
运算量大了以后===>矩阵运算
计算:将隐藏层的输出当作输入,通过特征提取替代原来的特征方程,一层一层嵌套,最后通过一个多分类器得到输出
模型评估:神经网络===>特征值
Total loss:越小越好,所有训练集的损失总和
我们需要做的是:
1>.在function set中寻找最优的function
2>.在神经网络的参数中,找到最优的参数
使Total loss最小
选择最优函数:梯度下降
由初始值计算梯度,不断更新梯度,得到新的参数值,并使L最小
反向传播:神经网络中计算损失最好的方法,如TensorFlow、theano、Pytorch等框架
二、反向传播
loss function:定义在单个训练样本上的,是一个样本的训练误差
cost function:定义在整个训练集上的,是所有样本误差总和的平均
total loss function:定义在整个训练集上的,是所有样本误差的总和,也是我们在反响传播中需 要最小化的值
参考李宏毅深度学习笔记