2020李宏毅学习笔记——8.Brief Introduction of Deep Learning

上午没有学习，吃成一只猪。
1.有了几个名词概念的基础，开始了啊Deep Learning的简短介绍：
第一张图：随着时间的推移，Deep Learning的应用暴涨
2.今天天津已经热到了40度，热到头疼，烦躁，厌烦，不开心！
3.介绍了一下Deep Learning这些年的反反复复的发展，从开始的只对光敏感，到hidden layer的层数，一个隐藏层可以代表任意的函数,到initialization,发现RBM intialization并不是真正的突破，起到的效果很有限，所以现在没了，我觉得有个关键的突破，就是2009年时，知道用GPU进行突破了，

一：Deep learning 的三个Step

1.step 1 :define a set of function
1.1 function 就是一个neural network,不同的netural用不同的方法连接起来，构成不同的网络结构
举个连接方法的例子：你经常见到的全连接Fully Connect Feedforward Network层;
全连接层就是这个意思：六个netural排成两排，每个netural都有train出来的两个weights和一个bias，假设输入是1，-1，通过Sigmoid Function之后得到的结果就是0.98和0.12,再依次通过粉色的netural和绿色的netural得到0.62和0.83.给不同的netural设置不同的weights和bias就会变成不同的，不同的function define a function set,比较大

1.2 相邻层之间的神经元两两之间都有连接，所以称为是全连接层
注意：给定了网络结构并给定了参数，网络就是一个函数：输入输出都是向量。

1.3 深度学习的深度指的是包含很多隐藏层的网络。你常见的那几个网络

1.4用Matrix Operation来表示netural的运作，怎么个意思呢:就是：假如用蓝色的两个netural的weights排成一个Matrix ，然后和输入加bias做矩阵乘法运算（Wx+b）得到一个矩阵，就是结果蓝色netural的output【4 -2】，假设是logistic Regression问题，用 Sigmoid Function之后得到的结果就是0.98和0.12

1.5 一层一层的算下去，就是一连串的Matrix Operation，这样弄的好处 ，可以用GPU加速

1.6 output layer就是一个Multi-class Classifier
在这一层通过的时softmax分类器，

1.7 手写数字问题里：
所使用的神经网络的输入是256维，输出是10维，之间的hidden layer层数时没有限定的，到底有多少个，决定了你用的什么function set。
自己接每一层，就变成CNN了。

2. step 2:goodness of function ：定义一个function的好坏，
   2.1还是举手写数字辨识的例子：
   还是256维的输入，nerual network，output（softmax）:10维的输出，target只有两种0或者1，算一下cross Entropy，调整network的参数，让cross Entropy 越小越好
   
   step 3 :pick the best function

3.1 把多组数据，crossEntropy，算出来Total Loss，从function set 里找到一个funtion 来最小化L,再找到最小化的参数，下面就涉及怎么找到@和minimizes total loss L，用的方法就是Gradident Descent。

3.2
也就是说，先给一组数据的初始随机参数，然后算偏微分，然后更新参数，怎么更新呢，就是减掉一个学习率偏微分的值，得到一组新的参数，反复继续下去，不断更新，

3.3一个很有效的算微分的方式：Backpropagation
现在借助工具算微分越来越简单，导致都不会算微分了。

3.4最后时作者的观点：越Deep越好嘛？
其实参数越多，bias就是越好,loss越小很正常。
但是一个hidden layer 的netural 只要够多，就可以表示成任何的function，所以deep意义很大嘛，越fat越好嘛？走着瞧吧您!!!