李宏毅机器学习入门学习笔记（六） Brief Introduction of Deep Learning

本文主要学习深度学习的一些基础知识，了解入门

背景

深度学习的发展趋势

下图是Google使用深度学习的项目变化趋势：

深度学习的发展史

回顾一下deep learning的历史：

• 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

感知机（Perceptron）非常像我们的逻辑回归（Logistics Regression）只不过是没有sigmoid激活函数。09年的GPU的发展是很关键的，使用GPU矩阵运算节省了很多的时间。

深度学习的三个步骤

我们都知道机器学习有三个step，那么对于deep learning呢？其实也是3个步骤~~如下图所示：

• Step1：神经网络（Neural network）
• Step2：模型评估（Goodness of function）
• Step3：选择最优函数（Pick best function）

那对于深度学习的Step1就是神经网络（Neural Network）

Step1：神经网络（Neural Network）

神经网络（Neural network）里面的节点，类似我们的神经元。

神经网络也可以有很多不同的连接方式，这样就会产生不同的结构（structure）。
那都有什么连接方式呢？其实连接方式都是你手动去设计的：

完全连接前馈神经网络

概念：前馈（feedforward）也可以称为前向，从信号流向来理解就是输入信号进入网络后，信号流动是单向的，即信号从前一层流向后一层，一直到输出层，其中任意两层之间的连接并没有反馈（feedback），亦即信号没有从后一层又返回到前一层。

• 当已知权重和阈值时输入$(1,-1)$的结果
• 当已知权重和阈值时输入$(0,0)$的结果

所以可以把整个神经网络（neural network）看成是一个函数（function），如果神经网络中的权重和阈值都知道的话，就是一个已知的函数（也就是说，如果我们把参数都设置上去，这个神经网络其实就是一个函数）。他的输入是一个向量，对应的输出也是一个向量。

如果只是定义了一个神经网络的结构，但是不知道权重还有阈值怎么办呢？

给了结构就相当于定义了一个函数集（function set）

不论是做回归模型（linear model）还是逻辑回归（logistics regression）都是定义了一个函数集（