本文探讨了如何通过增加复杂性，如使用sigmoid函数、ReLU替代和多层神经网络，将基础线性模型升级为深度学习模型。重点介绍了参数调整、梯度下降中的批量处理（batch）和epochs的概念，以及这些技术在逼近未知函数中的作用。
线性模型太简单，需要设计更复杂的模型
任何一个分段线性曲线都可以用常数加上特殊的函数表示
当分割的片段足够多就可以表示连续的曲线
用sigmoid函数来逼近
调整参数可以获得不同形状的sigmoid函数，就可以近似预测函数
因此新的模型由简单的线性模型变成了更多参数的函数
用图形来理解
未知函数的更复杂，模型更新为
实际在做梯度下降时，会把很多的数据分成很多的小数据集（batch），只用一个batch算loss
每一次更新参数叫做update，把所有的batch都用过一遍叫做1epoch
可以用relu来代替sigmoid，两个relu可以组成sigmiod
有很多层的神经网络是深度学习
721
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
