第二课 传统神经网络
《深度学习》整体结构：
线性回归 -> 神经网络 -> 卷积神经网络（CNN）-> 循环神经网络（RNN）- LSTM
目标分类（人脸识别，物品识别，场景识别，文字识别），目标检测（安防，自动驾驶），视频分类（视频检索），语句生成（自动翻译，智能对话）
提纲：
1. 神经网络起源：线性回归
2. 从线性到非线性
3. 神经网络的构建
4. 神经网络的“配件”
期待目标：
1. 了解从线性到非线性回归的转化
2. 明白如何构建神经网络，了解不同激励函数的区别联系
3. 掌握“配件”对神经网络性能的影响（损失函数 Cost，学习率 Learning Rate，动量，过拟合），会“调参”
4. 明白本节所有的“面试题”
线性回归：
1. 概念：线性关系来描述输入到输出的映射关系
2. 应用场景：网络分析，银行风险分析，基金股价预测，天气预报
线性回归：
一个线性回归问题
目标方程：y = ax1 + bx2 + cx3 + d
参数： m = [a, b, c, d]
数据：[(x1,1, x2,1,x3,1), (), (), ()]
预测：yt = ax1,t + bx2,t + cx3,t + d
目标：minimize (yt – yt)
总结：线性函数是一维函数，y = ax1 + bx2 + cx3 + d
现在要计算最佳参数 m = [a, b, c, d]
给定数据，计算出预测值，预测值与真实值计算Cost，当Cost最小的时候计算出 m = [a, b, c, d]
优化方法：梯度下降法
模型参数
当前 m0 = [a0, b0, c0, d0]
每一步 m?
参数 m = [a, b, c, d]
梯度下降：梯度计算
Loss = ax1 + bx2 + cx3 + d -y
梯度下降：参数更新
梯度下降法总结：
1. 随机初始化参数
开启循环 t= 0, 1, 2
带入数据求出结果 yt
与真值比较得到loss = y – yt
对各个变量求导得到 m
更新变量 m
线性回归的局限性：线性回归能够清楚的描述分割线性分布的数据，对非线性分布的数据描述较弱
非线性激励
考量标准：
1. 正向对输入的调整
2. 反向梯度损失
神经网络构建
神经元的“并联”和“串联”
从第一层神经网络到最终输出，每一个神经元的数值由前一层神经元数值，神经元参数W，b以及激励函数共同决定第n+1层，第k个神经元的方程，可由公式表示为：
在这里，m表示第n层神经网络的宽度，n为当前神经网络的深度
并联：深度，串联：宽度
MINIST 神经网络分类：
course_2_tf_nn.py
结构变化影响：
1. “并联”宽度影响
2. “串联”层数影响
3. Dropout
4. Learning rate
1. 损失函数 – Loss
影响深度学习性能最重要因素之一。是外部世界对神经网络模型训练的直接指导。
合适的损失函数能够确保深度学习模型收敛
设计合适的损失函数是研究工作的主要内容之一
总结：
1. 神经网络起源：线性回归
2. 从线性到非线性
3. 神经网络的构建
4. 神经网络的“配件”
下节课预告：链式规则反向求导，SGD优化原理，卷积神经网络（CNN）各个layers介绍
第二节课的代码
https://github.com/wiibrew/DeepLearningCourseCodes/blob/master/course_2_tf_nn.py
https://github.com/wiibrew/DeepLearningCourseCodes/blob/master/course_2_tf_nn.ipynb
具体通过TensorFlow构建神经网络的过程，通过Pycharm和 Python Notebook来完成实验，调参还部署很熟练。
TensorFlow 对数据进行简单的可视化实验：
http://playground.tensorflow.org/
