文章目录
深度学习三个步骤
Neural Network --> Goodness of function --> Pick the best function
神经网络
完全连接前馈神经网络
概念:前馈(feedforward)也可以称为前向,从信号流向来理解就是输入信号进入网络后,信号流动是单向的,即信号从前一层流向后一层,一直到输出层,其中任意两层之间的连接并没有反馈(feedback),亦即信号没有从后一层又返回到前一层。
全链接和前馈的理解
输入层(Input Layer):1层
隐藏层(Hidden Layer):N层
输出层(Output Layer):1层
为什么叫全链接呢?
因为layer1与layer2之间两两都有连接,所以叫做Fully Connect;
为什么叫前馈呢?
因为现在传递的方向是由后往前传,所以叫做Feedforward。
本质:通过隐藏层进行特征转换
把隐藏层通过特征提取来替代原来的特征工程,这样在最后一个隐藏层输出的就是一组新的特征(相当于黑箱操作)而对于输出层,其实是把前面的隐藏层的输出当做输入(经过特征提取得到的一组最好的特征)然后通过一个多分类器(可以是softmax函数)得到最后的输出y。
模型评估
对于模型的评估,我们一般采用损失函数来反应模型的好差,所以对于神经网络来说,我们采用交叉熵(cross entropy)函数来对损失进行计算,接下来我们就是调整参数,让交叉熵越小越好。
选择最优函数
梯度下降
反向传播
链式法则
损失函数(Loss function)
是定义在单个训练样本上的,也就是就算一个样本的误差,比如我们想要分类,就是预测的类别和实际类别的区别,是一个样本的,用L表示。
代价函数(Cost function)
是定义在整个训练集上面的,也就是所有样本的误差的总和的平均,也就是损失函数的总和的平均,有没有这个平均其实不会影响最后的参数的求解结果。
总体损失函数(Total loss function)
是定义在整个训练集上面的,也就是所有样本的误差的总和。也就是平时我们反向传播需要最小化的值。