深度学习相关概念笔记

BP神经网络是一种多层的前馈神经网络。
特点：信号是前向传播的，而误差是反向传播的。
反向传播:学习的目的是获得对输入准确精炼的描述。影响输出结果的是每层的权重和偏置，因此为了达到目标，需要将输出误差层层传递回去，看每个参数对误差的影响，并因此调整参数。

BP神经网络的过程主要分为两个阶段：
第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；
第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
权值和阈值不断调整的过程，就是网络的学习与训练过程，经过信号正向传播与误差反向传播，权值和阈值的调整反复进行，一直进行到预先设定的学习训练次数，或输出误差减小到允许的程度。

卷积神经网络（Convolutional Neural Network）是一个专门针对图像识别问题设计的神经网络
CNN卷积神经网络结构:
1.输入层:对模型数据进行预处理.数据来源的原始数据常常包含着噪音、不完整、甚至是不一致的数据。为了得到高质量的数据挖据效果，在进行数据挖掘之前，必须对原始数据做一定的处理，这种从原始数据到挖掘数据之间，对数据进行的操作叫做数据预处理.(常见处理方法:去均值,归一化…)

2.卷积层:局部感知特性,对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息。需要权值共享呢,同一层下的神经元