神经网络与深度学习

1.卷积神经网络

1.1为什么要深度学习

深度学习是一种机器学习的方法，它模仿人脑处理信息的方式，通过构建多层次的神经网络模型来模拟人脑神经元进行信息处理。

1. 具备强大的特征提取能力

深度学习的一个重要特点是其强大的特征提取能力。传统的机器学习算法往往需要人工提取特征，而深度学习可以通过多层次的网络结构自动地学习到数据的深层次特征。

2. 具有灵活性和适应性

深度学习模型的灵活性和适应性强，可以应用于各种复杂的任务，如图像识别、自然语言处理、策略优化等。

3. 高效性且易于集成

深度学习模型可以处理大规模的数据，并且可以在短时间内给出准确的预测结果。这对于处理大数据集和实时决策等问题非常有用，并且深度学习模型可以很容易地与其他系统或平台集成，提供更丰富的功能和服务。

1.2全连接网络：

链接权过多，算的慢，难收敛，同时可能进入局部极小值，也容易产生过拟合问题.

解决算的慢问题：减少权值连接，每一个节点只连到上一层的少数神经元，即局部连接网络

 解决思路：信息分层处理，每一层在上层提取特征的基础上获取进行再处理，得到更高级别的特征。

2.卷积神经网络基础

2.1发展过程：

2.2填充（Padding）

也就是在矩阵的边界上填充一些值，以增加矩阵的大小，通常用0或者复制边界像素来进行填充.

2.3多通道卷积：如RGB

2.4池化

使用局部统计特征，如均值或最大值。解决特征过多问题.

3.算法

3.1卷积NN的BP算法：卷积层+卷积层

3.2卷积NN的BP算法：卷积层+全连接层