李宏毅深度学习笔记（一）——Deep Learning概要

在机器学习中，执行一个算法通常要经过遵循以下三个步骤：（1）定义一个函数集；（2）定义函数的好坏；（3）训练参数，得到不同的函数，并选择最好的函数

 

Deep Learning同样遵循这三个步骤。具体来说，在第一步中，定义的函数集为一个神经网络（neuron network） 。

 1.什么是神经网络

如图所示展示了一个神经网络，它是由许多神经元（neuron）组成的一个系统。每一个神经元的参数为：为每个输入分配一个权重wi，一个常数b，一个函数.在运算中，每个神经元执行这样的操作：将每个输入xi乘以权重wi后求和，将得到的值加上b作为函数的输入，输出得到的函数值。将这个神经元的输出将作为下个神经元的输入，依次将这些神经元之间进行连接即得到一个神经网络。定义了这些神经元之间的连接方式，也就定义了函数集。

 

 举一个例子来说明神经网络是如何运作的。下图展示了一个简单的神经网络。神经网络的输入为1和-1，第一个神经元对两个输入的权重分别为1和-2，计算1*1+（-1）*（-2）+1=4，将4作为sigmoid函数的输入，输出(4)=0.98。同理计算其他神将元，最后整个神经网络得到的输出为0.62和0.83.

 2.全连接前馈神经网络（Fully Connected Feedforward Network/DNN）

 全连接前馈神经网络是一种常见的神经网络连接方式，指的是层与层的神经元之间使用全连接的方式连接，即一层中每个神经元的输出会参与到下一层每个神经元的输入。它的输入是一个N维向量，输出是一个M维向量。输入称为Input Layer，输出结果的一层神经元称为Output Layer，中间其他的层称为Hidden Layer，通常将使用了很多Hidden Layer的方法称为Deep Learing。

3.为什么要用Deep Learning（多层Hidden  Layer）

一个已经被证实的理论是，一层Hidden Layer就足以模拟出任何函数，那么为什么还要使用Deep Learning呢？当然是因为Deep Learning的效果更好。如图，同一行的数据使用参数的个数是相似的。可以看出，使用多层Layer的效果明显好于只使用一层的。

 造成这种差异的原因是在Deep Learning学习的过程中，自动实现了类似模组化的过程，即将一个问题拆解为一些更小的，容易解决的问题。比如要对长发男生，长发女生，短发男生，短发女生进行分类。如果分别训练四个分类器，由于短发男生的样本较少，训练的效果不一定优秀。但是我们可以先训练一个分类器，区别长发和短发，再训练一个分类器，区别男生和女生，这样都能保证有足够的样本可以供模型学习。

这个过程类似于剪窗花的过程。你当然可以直接在一张纸上剪出一个复杂的图形，但是如果将纸对折后再剪裁会更加简单。