深度学习是机器学习的一个领域

神经网络构造

一个神经元有n个输入，每一个输入对应一个权值w，神经元内会对输入与权重做乘法后求和。

感知器

由两层神经元组成的神经网络--“感知器”（Perceptron）,感知器只能线性划分数据。

公式是线性代数方程组，因此可以用矩阵乘法来表达这两个公式

多层感知器（非线性建模）

多层感知器 ---  偏置（引入非线性）

在神经网络中需要默认增加偏置神经元（节点），这些节点是默认存在的。 它本质上是一个只含有存储功能，且存储值永远为1的单元。 在神经网络的每个层次中，除了输出层以外，都会含有这样一个偏置单元。

神经网络构造要点

需要记忆：

1、设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定；

2、神经网络结构图中的拓扑与箭头代表着预测过程时数据的流向，跟训练时的数据流有一定的区别；

3、结构图里的关键不是圆圈（代表“神经元”），而是连接线（代表“神经元”之间的连接）。每个连接线对应一个不同的权重（其值称为权值），这是需要训练得到的。

中间层该如何确定呢？

输入层的节点数：与特征的维度匹配

输出层的节点数：与目标的维度匹配。

中间层的节点数：目前业界没有完善的理论来指导这个决策。一般是根据经验来设置。较好的方法就是预先设定几个可选值，通过切换这几个值来看整个模型的预测效果，选择效果最好的值作为最终选择。

损失函数

模型训练的目的：使得参数尽可能的与真实的模型逼近。

具体做法：

1、首先给所有参数赋上随机值。我们使用这些随机生成的参数值，来预测训练数据中的样本。    2、计算预测值为yi，真实值为y。那么，定义一个损失值loss，损失值用于判断预测的结果和真实值的误差，误差越小越好

常用的损失函数： 0-1损失函数 均方差损失 平均绝对差损失 交叉熵损失 合页损失

多分类的情况下，如何计算损失值

正则化惩罚

输入为[1,0,0,0]现有2种不同的权重值

w1 = [1,0,0,0]

w2 = [0.25,0.25,0.25,0.25]

w1和w2与输入的乘积都为1，但w2 与每一个输入数据进行计算后都有数据，使得w2会学习到每一个特征信息。而w1只和第1个输入信息有关系，容易出现过拟合现象，因此w2的效果会比w1 好

正则化惩罚的功能：主要用于惩罚权重参数w，一般有L1和L2正则化。

梯度下降

1. 偏导数

        我们知道一个多变量函数的偏导数，就是它关于其中一个变量的导数而保持其他变量恒定。该函数的整个求导： 例如：计算像 f（b0，b1）=b0x1²* b1x2 这样的多变量函数的过程可以分解如下：

2. 梯度

        梯度可以定义为一个函数的全部偏导数构成的向量，梯度向量的方向即为函数值增长最快的方向

3、梯度下降法

        一个一阶最优化算法，通常也称为最陡下降法 ，要使用梯度下降法找到一个函数的局部极小值

步长（学习率）：梯度可以确定移动的方向。学习率将决定我们采取步长的大小。不易过小和过大 如何解决全局最小的问题？产生多个随机数在不同的位置分别求最小值。

BP神经网络

BP（Back-propagation，反向传播）前向传播得到误差，反向传播调整误差，再前向传播，再反向传播一轮一轮得到最优解的。