深度学习-个人理解

深度学习模型类似一个黑盒子，输入一组数据，产生一个输出，这个输出就可以称为得分函数的输出值。

根据输出值与实际值之间的比较，通过损失函数可以求得损失值。损失值越大，代表模型的分类效果越差。

其中，通过Softmax分类器可以将分类结果映射成概率。

前向传播和反向传播

前向传播：输入经过网络后产生一个得分值（或者分类概率），根据这个值求得Loss值

反向传播：基于当前的Loss值，参数通过链式法则回传，调整模型的参数

模型参数更新

方向：梯度的反方向（即Loss变化最快的方向）

大小：步幅（学习率），不能过大也不能过小。过大可能错过损失函数的最小收敛点，过小会花费更长的时间。

参数更新：大小*方向

为了防止训练参数中存在个别异常点，通常按照一个bachsize的平均值进行参数更新（批处理）

对于一个训练集来说，通常用两层循环，外层为epoch，内层为一个bachsize。

神经网络的其他内容

激活函数：防止反向传播时，出现传递的参数趋近于0的问题。

模型训练的过拟合问题：模型在训练集表现优秀，在测试集表现较差。

  1. 正则话参数，消除异常点对模型的影响。
  2. drop-out，消除某些神经元，非全连接网络，防止出现过拟合现象。

数据预处理：消除x轴、y轴的差异，将差异归一化。

权重矩阵的初始化：不能全部一样，随机赋值。