以下为本人通过图解深度学习里总结记录的笔记,如有误欢迎交流。
1.经过了两次起伏,第二次:线性不可分问题。
27。神经网络:使用图的意义进行编码这一思路,与神经和网络无关系,更应该叫做:分层表示学习,层级表示学习,深度可微模型,链式几何变化。
2.BP:误差反向传播算法。
▲W:权重调整值
η:学习率
3.权重调整值的计算就是对误差函数,激活函数以及连接权重分别进行求导的过程——chain rule
4.权重调整值趋近于0,所以无法调整连接权重。这就是误差反向传播算法中梯度消失导致无法调整连接权重问题。可通过调整η解决
5.激活函数:对输入信号进行线性或非线性变化。
6.池化层:减小卷积层的尺寸,从44到22
7.CNN:调整参数时,重要的是先调整卷积层的卷积核个数,激活函数的种类以及输入图像的预处理。
8.多层神经网络:模式识别
9.相互连接型网络:通过联想记忆去除输入数据中的噪声。
10.对比散度算法:近似算法,能够通过较少的迭代次数求出参数调整值。
11.深度信念网络:首先训练输入层和隐藏层之间的参数,把训练后得到的参数作为下一次的输入,再调整该层与下一个隐藏层之间的参数。
————在最顶层级联一个softmax层(他把一些输入映射为0-1之间的实数,并且归一化保证和为1,