DL：深度学习(神经网络)的简介、基础知识(神经元/感知机、训练策略、预测原理)、算法分类、经典案例应用之详细攻略

目录

深度学习(神经网络)的简介

1、深度学习浪潮兴起的三大因素

深度学习(神经网络)的基础知识(相关概念、训练策略)

1、神经网络的基础知识

2、神经元的结构

3、感知机

4、万能逼近定理

5、神经网络训练

6、神经网络学习

7、神经网络的前馈运算与反向传播

8、激活函数

深度学习(神经网络)的算法分类

1、常用的神经网络模型概览

深度学习(神经网络)的经典案例应用

深度学习(神经网络)的简介

       深度学习（Deep Learning, DL）或阶层学习（hierarchical learning）是机器学习的技术和研究领域之一，通过建立具有阶层结构的人工神经网络（Artifitial Neural Networks, ANNs），在计算系统中实现人工智能  。由于阶层ANN能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习（representation learning）能力 ，可以实现端到端的监督学习和非监督学习 。此外，深度学习也可参与构建强化学习（reinforcement learning）系统，形成深度强化学习  。

       深度学习所使用的阶层ANN具有多种形态，其阶层的复杂度被通称为“深度”  。按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑  。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”  。学习的常见方法为梯度下降算法及其变体 ，一些统计学习理论被用于学习过程的优化 [9]  。

        在应用方面，深度学习被用于对复杂结构和大样本的高维数据进行学习，按研究领域包括计算机视觉、自然语言处理、生物信息学、自动控制等，且在人像识别、机器翻译、自动驾驶等现实问题中取得了成功。 

1、深度学习浪潮兴起的三大因素

• 海量的数据
• 不断提升的算法能力
• 高性能计算硬件的实现：GPU、TPU

深度学习(神经网络)的基础知识(相关概念、训练策略)

       深度学习的实质是构建具有多个隐藏层的机器学习模型，通过海量的训练数据来学习更有用的特征，从而最终提升分类或预测的准确性。“深度模型”是手段，“表示学习”是目的。
       深度学习与传统的浅层学习的不同在于：

• (1) 强调了模型结构的深度，有2层以上的隐藏层；
• (2) 明确突出了表示学习的重要性。通过逐层特征变换，将样本在原空间的特征表示变换到一个新的特征空间，使分类或预测更加容易。

DL之DNN优化技术：神经网络算法简介之GD/SGD算法的简介、代码实现、代码调参之详细攻略
DL之DNN：BP类神经网络理解之不需要额外任何文字，只需要八张图讲清楚BP类神经网络的工作原理

1、神经网络的基础知识

• 神经元
• 感知机
• 激活函数：Sigmoid、tanh、ReLU、Leaky ReLU、ELU、Softmax。
• 多层感知机：
• 万能逼近定理：

2、神经元的结构

生物神经元包括细胞体和突起两个部分，突起又包括树突(接收信号)和轴突(传出信号)。

• 轴突记录了神经元间联系的强弱。只有达到一定的兴奋程度，神经元才向外界传输信息。
• 神经元之间的信号通过突触传递。

3、感知机

DL之Perceptron：Perceptron感知器(感知机/多层感知机/人工神经元)的简介、原理、案例应用(相关配图)之详细攻略

4、万能逼近定理

 (Universal approximation theorem)

• 只需一个包含单个隐藏层的前馈神经网络，即可逼近任意一个连续函数。
• 尽管仅有一个隐藏层的前馈网络足以表示任何函数，但是该隐藏层的神经元数目可能非常多，从而导致网络无法学习或正确泛化。

5、神经网络训练

(1)、损失函数：
平均损失函数
绝对值损失函数
交叉熵损失函数：softmax回归，独热编码。

(2)、优化目标

(3)、梯度下降：

• 梯度下降批次训练策略：
             批次梯度下降(Batch Gradient Descent)、
             随机梯度下降(Stochastic Gradient Descent)、
             小批次梯度下降(Mini-batch Gradient Descent)、
  DL之DNN优化技术：神经网络算法简介之梯度下降算法(GD算法)中相关概念(方向导数/梯度)、目标函数、其他常见损失函数求梯度(求导)案例之详细攻略

• 梯度下降各种优化算法：Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam

(4)、反向传播法：计算图解释

1、神经网络训练的优化目标

6、神经网络学习

(1)、通过调整神经元的参数，使得网络对给定输入可产生期望输出。

(2)、学习层次化的表示（表征）

7、神经网络的前馈运算与反向传播

前馈运算和反向传播：在训练网络过程中所使用的。如果经过训练模型，网络稳定下来以后，就可以把参数固定下来，此时就不再需要反向传播了，只需要前馈运算进行推理和预测即可！
 

8、激活函数

DL学习—AF：理解机器学习中常用的激活函数(sigmoid、softmax等)简介、应用、计算图实现、代码实现详细攻略

深度学习(神经网络)的算法分类

         深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑  。
          前馈神经网络(NN)，而是和循环神经网络(RNN)的概念是相对的。而反向传播方法可以用在FF网络中，此时，基于反向传播算法的前馈神经网络，被称为BP神经网络。

1、常用的神经网络模型概览

DL：神经网络所有模型(包括DNN、CNN、RNN等)的简介(概览)、网络结构简介、使用场景对比之详细攻略

1、DNN
DL之DNN：DNN深度神经网络算法的简介、相关论文、设计思路、关键步骤、实现代码等配图集合之详细攻略

2、CNN
DL之CNN：计算机视觉卷积神经网络算法CNN算法常见结构、发展、CNN优化技术、案例应用之详细攻略

3、RNN
DL之RNN：RNN算法的简介、相关论文、相关思路、关键步骤、配图集合+TF代码定义之详细攻略

4、DBN

深度学习(神经网络)的经典案例应用

后期更新……