深度学习介绍

1.神经网络是分布的，一般分为输入层，隐藏层，输出层。每层有多个神经元，隐藏层可以有很多层。

2.激活函数F。神经元的输入X权重，然后再加上偏差值。其得到的结果做为激活函数的参数，最总的结果就是神经元的输出。

3.常见的激活函数是S型的，或者是线性的。其中最常用的是S型的。它看起来就是一个Y（-1,1）中心对称的一个函数曲线。逼近但不相交。

4.如果我们知道想要的输出，则这种神经网络的学习算法称为监督学习。

5.在学习的过程中，输入模式被赋网络的输入层，最初所有权重被设为随机数，发送到网络中检查输出的结果。如果结果是错误的，就重新调整权重带到正确的输出（迭代过程），这个算法被称为反向传播。

卷积神经网络

1.深度学习的神经网络与经典的神经网络具有相同的背景，他们最主要的区别在于输入层。

1）经典的神经网络需要提供具体的特征作为输入层。例如面积，周长，行数等。

2）深度学习中就不必探索特征是什么，直接用整个图像作为输入。深度神经网络（DNN）可以自己检测并识别特征。

2.卷积层。就是一个卷积运算，应用于整个前一层，为我们提供了一个新的过滤对象。

1）卷积层中可以定义不同的参数，例如卷积核的数量，图像尺寸。

2）这些参数就像神经网络中的权重一样。它可以标记图像中提取最重要的特征。

3）假如一个100X100的图像，在深度学习中，通常一开始的卷积层就有3X3大小的64个卷积核。这就会生成100X100X64个神经元，以及3X3