Deep Learning-------->DNN（深度神经网络）
思路：
1、什么是深度学习
2、深度学习的步骤
3、如何优化（调参问题描述）
问题描述：参数更新的过程、training data 与参数更新的关系（训练过程）
4、Back Propagation方法update DNN参数
1、什么是深度学习
- 深度学习的model是一个深度神经网络结构（neural structure）
- 深度学习的“深度”是指神经网络的隐层（hidden layer）数量足够多
- 深度学习是自动提取特征（Feature extractor），不需要像逻辑回归那样特征转换（Feature engineering）
2、深度学习的步骤
Step1、定义一个神经网络结构（neural structure）
神经网络的创建包括3部分：一是神经网络有多少隐层（layer）、二是每一层有多少神经元（neuron）、三是每个神经元之间如何连接
往往需要 尝试发现错误+直觉
1）神经元：每个神经元都有一个 bias 和一个 function ，每条输入的边都有一个 weight
2)举个栗子：下面是一个 3个隐层、两个神经元、全连接的神经网络
3）神经网络如何工作的呢
假设已经定义好了神经网络之后（也就是function找到了），输入和输出都是一个 向量（vector）
现在给定一个输入（vector），神经网络内部如何计算，然后得到输出呢？
矩阵运算（可以用GPU加速），先算第一层：
其他层也一样：
三层都计算完之后：
举个栗子：手写数字识别
Step2、确定损失函数
跟逻辑回归一样，用交叉熵
算总Loss：
Step3、找到一个最好的函数（最佳参数）
3、如何优化（调参问题描述）
问题描述：参数更新的过程、training data 与参数更新的关系（训练过程）
如果想要做好优化问题，也就是调到好的参数，那么前提是要很清楚参数更新的过程。
参数更新主要出现在step 3部分，也就是说参数在梯度下降的过程中更新的。
1）普通梯度下降（批量）
一、随机选取一组参数
二、输入所有的training data【（x1,y1^）,（x2,y2^）,……（xn,yn^）】
三、然后data不变，参数不断变，用梯度下降法更新参数
此时的LOSS函数是计算所有training data的损失值相加的和，然后更新一次参数
2）随机梯度下降 （快，但是不稳定）
一、先随机选取一组参数
二、再输入第一个training data（x1,y1^）
三、然后data变一次，参数变一次，用梯度下降法更新参数
四、再输入第二个training data（x2，y2^）.....循环
此时的LOSS函数是计算一个training data的损失值，就更新一次参数，假如有100个data，当data全部加入时参数就更新了100次
3）小批量梯度下降（MBGD）（用batch、epoch又快又稳定）
一、先随机选取一组参数
一、设置batch、epoch，然后data变batch次，参数变一次
二、根据设置的batch size，每输入一个batch的数据，用梯度下降法更新参数，直到算完所有的batch就完成了一个epoch。
三、根据设置的epoch，重复步骤二，一直到epoch次
又快又稳的原因：
在一个batch=2里面，由于数据每输入两次，参数更新一次，所以一个batch里面的下一个数据输入不会用到前一组参数（同一组参数），因此可以用GPU并行计算
对比：
4、Back Propagation方法update DNN参数
1、BP（后向传播）是用来快速计算DNN梯度的
2、前向传播+后向传播是如何计算DNN梯度的
先看清楚损失函数C所处的位置：输入经过一个DNN网络输出，再与理论值的比较才得到损失函数，所以C对W的偏导是经过长长的神经网络每一层的链式传导
开始求导，分为前向传递部分与后向传递部分
前向传递很好求，就是权值所对应的输入量
后向传递开始表演：要从输出端往回传
要怎么从后往前计算呢
3、总结
