Task04：深度学习简介

一、深度学习的三个步骤

我们都知道机器学习有三个step，对于deep learning其实也是3个步骤：

• Step1：神经网络（Neural network）
• Step2：模型评估（Goodness of function）
• Step3：选择最优函数（Pick best function）

二、神经网络

神经网络（Neural network）里面的节点，类似我们的神经元。

神经网络也可以有很多不同的连接方式，这样就会产生不同的结构（structure）。在这个神经网络里面，我们有很多逻辑回归函数，其中每个逻辑回归都有自己的权重和自己的偏差，这些权重和偏差就是参数。

1、完全连接前馈神经网络

$前馈（feedforward）$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。
如下图所示，

• 当已知权重和偏差时输入(1,-1)​(1,−1)​的结果
• 当已知权重和偏差时输入(-1,0)(−1,0)的结果
  
  上图是输入为1和-1的时候经过一系列复杂的运算得到的结果。
  
  当输入0和0时，则根据一系列复杂的运算，得到结果为0.51和0.85。
  
  所以一个神经网络如果权重和偏差都知道的话就可以看成一个函数，其输入为一个向量，对应的输出也为一个向量。
  不论是做回归模型（linear model）还是逻辑回归（logistics regression）都是定义了一个函数集（function set）。我们可以给上面的结构的参数设置为不同的数，就是不同的函数（function）。这些可能的函数（function）结合起来就是一个函数集（function set）。这个时候你的函数集（function set）是比较大的，是以前的回归模型（linear model）等没有办法包含的函数（function），所以说深度学习（Deep Learning）能表达出以前所不能表达的情况。

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

如下图所示：
全链接（Fully Connect）：因为layer1与layer2之间两两都有连接。
前馈：因为传递方向是由后往前传。

深度的理解
Deep = Many hidden layer。随着层数变多，错误率降低，随之运算量增大，通常都是超过亿万级的计算。

2、矩阵计算

如下图所示，输入是$\left[\begin{array}{cc}1& -2\\ -1& 1\end{array}\right]$，输出为$\left[\begin{array}{l}0.98\\ 0.12\end{array}\right]$。
计算方法是：sigmoid（权重w【黄色】 * 输入【蓝色】+ 偏移量b【绿色】）= 输出。

其中sigmoid更一般的来说是激活函数(activation function)，现在已经很少用sigmoid来当做激活函数。
假设有很多层的情况下，计算方法就像是嵌套。

所以整个神经网络运算就相当于一连串的矩阵运算。
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。

三、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y和$\hat{y}$​ 的损失进行计算，接下来我们就是调整参数，让交叉熵越小越好。

总体损失

对于损失，我们不单单要计算一笔数据的，而是要计算整体所有训练数据的损失，然后把所有的训练数据的损失都加起来，得到一个总体损失L。接下来就是在function set里面找到一组函数能最小化这个总体损失L，或者是找一组神经网络的参数\thetaθ，来最小化总体损失L

四、选择最优函数

如何找到最优的函数和最好的一组参数呢，我们用的就是梯度下降。

具体流程：$\theta \theta$是一组包含权重和偏差的参数集合，随机找一个初试值，接下来计算一下每个参数对应偏微分，得到的一个偏微分的集合$\nabla L$就是梯度,有了这些偏微分，我们就可以不断更新梯度得到新的参数，这样不断反复进行，就能得到一组最好的参数使得损失函数的值最小。
隐藏层数越多，所表现出来的效果越好。