深度学习|神经网络模型简介和梯度下降求解
《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle 实战。期待您的到来！
01
—
回顾
上一篇总结了常用的机器学习算法，论述了为什么需要深度学习，以及一种系统地展开deep learning的学习清单，具体请参考：
都知道深度学习地实施一般都借助神经网络模型，因此，接下来，先看一看，神经网络模型是怎么一回事。
02
—
神经网络模型
2.1 神经网络模型组成
一般地，神经网络模型包括输入层（input layer），隐含层（hidden layers），输出层（output layer）。
如上图所示，数据传输是从 input layer -> hidden layers -> output layer ，这种网络叫做前向传播神经网络（feedforward neural networks），在这种网络中没有环，数据传播总是前向的，从不反向，也就是说输入层会通过隐含层1，隐含层2，...，间接地影响到输出层。
有一些神经网络是特例，比如 RNN （recurrent neural networks），循环的意思是指，一个神经元的输出会影响其输入，注意，这种影响不是立即发生的，而是在一定时间之后才发生的。
2.2 小球搜寻下坡最快的例子
成本函数为 C(w,b)，为了取得L的最小值，采取朝着梯度方向的逐步逼近的策略，称为梯度下降，下面再介绍下它的具体实施步骤。
如下方所示的小球，位于v1, v2 空间中，图示位置所处的成本值还是比较大的，为了逐步减小，
让小球在 v1 和 v2 方向分别移动一定距离 ，那么它移动的距离可表示为：
令，
注意，上面两个表达式都是列向量，化简后，
中间点表示为向量的点乘，
为了保证ΔC ，在任何时候为负值，设
其中，η 为学习率
这样，就能保证ΔC
在任何时候为负值 ，因为，
所以，只要对 v 做如下迭代，就能确保小球一直下降，最后直到位置达到某个阈值。
以上这个式子，就是梯度下降迭代某个自变量 v 的公式。
2.3 引出梯度下降的参数迭代公式
在求解神经网络模型中，成本函数 C(w,b) 对应的自变量为 w（所有的权重参数），b（每层的偏置项），根据上面的公式，自然地，可以得到 w 和 b 的迭代公式：
2.4 批梯度下降
通常训练集内包括的样本数比较大，这里有3种梯度下降的策略：
1. 每次迭代只使用随机的一个样本（极限情况1），这种情况下，每次修正方向以各自样本的梯度方向修正，横冲直撞，难以达到收敛。
2. 每次迭代使用所有样本（极限情况2），计算效率很低，训练一套网络会很慢。
3. 批处理（中间情况），mini-batch，每次选取一定数量的样本进行训练，能避免情况1的出现，也能在迭代效率上有所提升，在这种情况下，权重参数和偏置项用批处理表示为如下，
至此，批处理参数迭代公式推导结束。
下面正式进入，手写字数据集，用神经网络模型进行训练分类。
03
—
建立神经网络模型手写字识别
3.1 手写数据集背景介绍
这个数据集包括7万张手写数字的扫描图像，如下图所示，
用其中6万张来作为训练集，1万张用于测试，每张图像的像素是28 by 28 的灰色度图像，任务是自动识别手写的字是哪个数字。
3.2 建立神经网络模型
方便起见，输入层的神经元个数为 28 * 28 = 784 个，输出层为10个神经元，对应着数字 0,1,2,...,9 ，对7万张图像，其中5万张用于训练，1万张用图像验证集，剩下的1万张还是用测试。
3.3 图像分类分析
对于分类，传统的机器学习算法，比如逻辑回归，softmax分类器，决策树，随机森林，AdaBoost，GBDT，XGBoost等，都可以用来做分类，这些传统的ML算法，无一例外，都使用一种限定的模型，然后拿成本函数（又称损失函数）对模型进行参数求解。
但是，它们对图像识别，尤其是复杂背景下的图像识别，分类的效果，都没有神经网络模型好，这里对手写字数据集的分类，也是用建立一套神经网络模型，然后拿目标函数，通过梯度下降，学得所有神经元的权重参数，和每层的偏置项。
因此，可以看出神经网络模型训练用于分类任务求解的思路与传统的ML求解一致，只不过此时我们会使用神经网络模型，这一点是非常不同的。
3.4 手写字图像分类分析
手写字图像分类，用神经网络模型，如何进行，这是一个不用tensorflow训练的思路，只用到了Numpy库，这个方法实现了包括：
- 如何拆分图像任务，
- 建立神经网络，
- 训练神经网络，
- 梯度下降求解权重参数和偏置项，
- 最终分类效果（准确度等）分析
- 完整代码实现