six_sixsix666的博客

在深度学习网络中，卷积层用来提取数据的特征，通过不断地卷积，从而得到想要的特征，而卷积层的主要操作就是卷积，卷积的过程，通俗的讲就是一个加权求和的过程。在深度学习网络中，卷积操作也可以理解为一种特殊的线性变换，卷积的实现必不可少的就是卷积核，卷积核也称为滤波器，在输入的数据上进行滑动窗口式的卷积，从而实现局部数据特征的提取，实现特征的共享和抽象，从而使得网络对输入数据的变化更加鲁棒和准确。注意，在深度学习中，卷积核是可学习的，经过一定次数的迭代之后，才能更好的提取到稳定且需要的特征。

是损失函数对参数的一阶导数，也就是梯度误差。从参数根性公式来看，学习率直接影响参数更新的能力，学习率越大，参数更新的步长越大，模型收敛越快，但也可能错过最优参数，学习率越小，参数更新的步长越小，模型收敛越缓慢。因此在网络训练时，需要把学习设置在一个合理的范围内，从而得到更好的误差平滑曲线，得到更优的模型性能。超参数是指可供网络使用者外部调整的参数，可以让使用者控制优化模型的过程，从而在不改变网络结构与模型复杂度的情况下，使我们的网络尽可能达到一个好的预测效果，不同的超参数可以影响网络的收敛速度与模型训练。

最早在1940年左右，著名的控制论学家 Warren Mcculloch与逻辑学家Walter Pitts在总结了生物神经元的特性之后，通过阈值方式设计了数学表达的神经网络模型，诞生了人工神经元，这个模型一直沿用至今，并对相关领域有着深远的影响。感知机的目的是找到一个能够尽可能合理的将不同的数据正确区分的超平面（对于二维空间，即一条直线），从而实现对新的未知样本的预测。传统的人工神经网路的主要在于每个节点的连接，节点本身不重要，只是信息的汇集，重要的是每个节点的连接（附加了权重）；输入层：接收信号的输入；

深度学习是机器学习的一个分支研究领域，通过模拟人脑的学习过程，从大量样本数据中学习数据的内在规律和表示层次，进而实现对文字、图像和声音等数据的解释和识别；它着重于利用深层的神经网络架构来学习数据的表示。这些网络包含多个隐藏层，每一层都能够从原始数据中提取更高层次的抽象特征。