深度学习简介&&神经网络工作原理

神经网络模型：

监督式学习：是一个机器学习中的方法，可以有训练资料中学到或建立一个模式（函数/learning model），并依此模式预测新的实例。训练资料是有输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（制作标签）

 

非监督式学习：是一种机器学习的方式，并不需要人力来输入标签。他是监督式学习和强化学习等策略的一种选择。典型的非监督学习有聚类等，直接从数据的特征中寻找相似性。

 

在工业界使用更多的还是监督式学习。

监督式学习相当于通过海量的标注数据。相当于人通过大量做题来学习。作对了的话就是强化了学习，错了的话就是反向强化了学习！人的学习是不断的通过外界的刺激，评价等学习到知识。计算机就是通过数据（标注数据）来学习。

 

判断零件是否合格：

 

 

 

无论有多层的神经网络，如果没有经过激活函数，他的作用都是不大的。因为任何线性函数的叠加得到的而函数都还是一个线性组合。所有说我们需要通过这些非线性化的操作来完成这样一个非线性化的过程。

 

两种常用的最后一层激活函数;

机器学习的结果评测：

 

 

评测后我们就需要进行优化

多种优化算法的主体思想都是通过梯度下降。