引言:机器学习
【人】先判断函数的集合(建立模型)——>【人】评价的好坏(损失函数)——>【机器】(参数学习)
深度学习(无监督学习)
通过基本的神经元(基本函数+激活函数)来组成一个更为复杂的函数,我的理解是:复合函数
建立模型
神经元
由于某些函数组合后,仍然为基本函数,因此在这个过程中引入激活函数(连续性,非线性)。
前馈神经网络
用来确定函数的基本形态
输出层常用softmax函数作为激活函数:从而达到容易理解,便于计算的目的。
损失函数
将所有的损失相加得到总损失,寻找一个模型(参数)使得总损失尽可能的小
常用的损失函数
平方误差 L=(实际值-理想值)^2
交叉熵
参数学习
梯度下降算法
其中n为学习速率,也就是更新间隔
反向传播算法
树的关系
对于反向传播算法,不用过多的深究,有已经存在好的框架。