系列笔记 | 深度学习连载（1）：神经网络

神经网络

自2012年CNN的imagenet 上的突破，以神经网络网络为基础的深度学习开始风靡学界和工业界。我们来看一张图片，关于google 内部深度学习项目的数量。而且应用领域极广，从Android 到 药品发现，到youtube。

我们从一起回顾下神经网络的额前世今生：

• 1958: Perceptron (linear model)

• 1969: Perceptron has limitation

• 1980s: Multi-layer perceptron

• Do not have significant difference from DNN today

• 1986: Backpropagation

• Usually more than 3 hidden layers is not helpful

• 1989: 1 hidden layer is “good enough”, why deep?

• 2006: RBM initialization (breakthrough)

• 2009: GPU

• 2011: Start to be popular in speech recognition

• 2012: win ILSVRC image competition

深度学习是机器学习的一个分支，目前讲是最重要的一个分支。 怎么学好深度学些呢？

其实还是关键的三步：

1. 选择神经网络

2. 定义神经网络的好坏

3. 选择最好的参数集合

以下是神经网络的示意图：

所有的 θ 和 b 都在神经元内

1. 全连接网络（Fully Connection）

2. 深度网络 DEEP

深度 = 很多层

那么有人就会问：

* 到底多少层深度合适？每层多个神经元？

答：这个看经验和实验的结果，不断调整。

* 结构能被自动设定吗？

答：可以通过进化网络实现。

* 我们能自己设计网络结构吗？

答： CNN 就是设计出来的网络结构。

3. 定义神经网络的好坏Loss

我们以minist 数字识别为例，一组数字识别为例

4. 选择最好的神经网络（找到参数集）

核心方法：

* Gradient Descent

* BackPropagation

深度学习基本知识点了解到了，但是为什么越Deep，效果会越好？ 以前都是做类比思考，比如电路模型，但是近期的lpaper上在理论上有严格的证明，我们后续博客会介绍

本专栏图片、公式很多来自台湾大学李弘毅老师、斯坦福大学cs229、cs231n 、斯坦福大学cs224n课程。在这里，感谢这些经典课程，向他们致敬！

作者简介：武强 兰州大学博士，谷歌全球开发专家Google Develop Expert（GDE Machine Learing 方向）