课时10 神经网络训练细节part1（上）
没有大量的数据也不会有太多影响，只需要找一个经过预训练的卷积神经网络然后进行调整
- 从数据集中抽样一小批数据，
- 将数据运入卷积神经网络中来计算损失值
- 通过反向传播来确定梯度
- 最后通过梯度值来微调权值的数值
sihmoid函数
是一个挤压函数，取值为0到1之间的实数
他的第一个问题：一个饱和的神经元，也就是说这个神经元的输出要么非常接近0要么非常接近1，这些神经元会导致在反向传播算法中出现梯度趋0的问题。这个问题就叫做梯度弥散（消失）。他有个激活区域。
另一个问题：他的输出不是关于原点中心对称的。收敛速度将会是非常慢的。
最后一个问题：和别的一些函数相比，该函数只能怪关于x的计算其实是很耗时的。
tanh（x）
解决了sigmoid函数不是关于原点对称的问题。他就好比两个sigmoid函数叠在一起，最终的输出处于-1到1之间
问题：梯度依旧可能饱和，这样梯度就无法在网络中传播
ReLU
首先他至少在输入为正时不会饱和；他在计算上是非常高效的，只需要进行比较而已；收敛的很快。我们将他称为ReLU神经网络或者修正线性单元。
问题：他也不是关于原点中心对称，还有就是，在反向传播中，当输入的神经元小于0时，梯度会消散。非激活的输入值无法进行反向传播，他的权值不会被更新，可以说他什么都不会做；当x为0时，梯度是未定义的。
出现神经元在数据集外的两种情况：一种是在初始化过程中，把权重设置成不能使神经元激活的数值，这种情况下神经元是不会训练的；更常见的情况是在训练过程中给你的学习率太高了，想象一下这些神经元在一定范围内波动，可能会发生数据多样性丢失，这种情况下神经元将不会再被激活，并且数据多样性的丢失不可逆转。
如何修正ReLU？
Leaky ReLU
基本思想就是阿尔法成为网络中的一个参数，可以通过反向传播学习这个参数
ELU
继承了ReLU的所有优点。
不同的激活函数会使你得到不同的权重值
优化过程不仅仅是有关损失函数的，还与梯度反向流转的动态过程有关
在图像中所有的特征都是像素，并且取值在0到255之间
在图像处理中常见的是均值中心化处理，每张图像以进行中心化处理从而获得更好的训练效果，另一种方法是减去单通道均值，在红绿蓝三色通道中分别计算最后得到三个数值
PCA存在的问题是不能应用于图像处理，因为图像有很多像素，是很多维的数据对象，所以协方差矩阵会非常庞大，人们可以做的是进行局部白化处理，就是在图像中加入一个白化过滤器