李宏毅机器学习笔记2——DeepLearning（深度学习）

深度学习入门介绍，主要是MLP

深度学习是机器学习的一个分支，因此深度学习也满足机器学习的一般流程：提出假设模型、计算模型好坏、选择表现最好的模型。

一、Neural Network（神经网络）

神经网络中不同的连接会导致不同的网络结构，参数θ表示“神经元”中的所有权重和方差。

全连接

计算方法：

基本流程：输入一个向量，乘以不同的系数，再将结果用sigmoid函数从输出到下一层作为输入。这里每一个神经元都是一个函数，称为激活函数。

一个常见的神经网络可以分为输入层、隐藏层和输出层，基本结构如下：

即深度学习的模型假设过程就是设计神经网络结构，包括网络层数、每层的神经元数量等。

对于输入N个x的情况，使用并行计算加速运算过程。

应用示例：

手写数字识别

输入：将图片像素化为16*16的像素点，作为输入向量，像素点有痕迹则为1，无痕迹则为0

输出：每个维度代表一个数字的置信度。

layer1-layerL中包含了手写数字识别候补的函数集，需要选择合适的网络结构从而构建一个较好的模型。

二、goodness of function（即损失函数)

损失举例：

通过给定一组参数将手写数字1识别为1的过程中，计算交叉熵。

总体损失：

对于所有的训练集，每个数据均存在一个C，总体损失为对C的求和

找到一个函数使得总体损失最小，即找到使总体损失最小的参数。

三、pick the best function（选择最好的函数）

梯度下降

反向传播

神经网络求系数的方法称为反向传播。假设我们对多分类的问题进行求导，整个模型的损失函数定义为L(θ)，每一个l是每一个小分类的交叉熵。

拿出一个神经元进行分析：

Forward pass

前向传播是神经网络中的第一步。在前向传播中，输入数据通过网络的各层，从输入层传递到输出层，以计算网络的预测值。这是一个由输入到输出的数据传递过程，它包括以下步骤：

a. 初始化：初始化神经网络的权重和偏差（参数）。这些参数将被用来计算预测值。

b. 输入传递：将输入数据传递到输入层，并将其逐层传递到隐藏层和输出层。每一层使用之前层的输出和当前层的权重以及激活函数来计算输出。

c. 计算输出：在输出层，计算神经网络的最终输出，这是模型对输入数据的预测。

Backward pass

反向传播是用来更新神经网络的参数，以便减小模型的预测误差的过程。这一过程是在前向传播之后进行的，它包括以下步骤：

a. 计算损失：首先，计算模型的预测与真实标签之间的差距，通常使用损失函数（如均方误差或交叉熵）来度量。这个差距称为损失。

b. 反向传播误差：从输出层开始，计算每一层的误差梯度，以了解每一层对总损失的贡献。这是通过链式规则计算的，以确定如何调整每一层的权重和偏差来减小损失。

c. 参数更新：使用误差梯度信息，更新每一层的权重和偏差，通常使用梯度下降或其变种的优化算法。目标是最小化损失函数，使模型的预测更接近实际标签。

d. 重复迭代：重复前向传播和反向传播步骤，以逐渐调整模型的参数，降低损失，提高模型性能，直到达到满意的训练结果。

假设a=σ(z):

如果不是output layer，则需要一直算到最后的output layer。为简化计算，可以从output向前计算