深度学习的一些重要概念、

#[TOC] 深度学习的一些重要概念、

在学习《深度学习入门》的过程中，接触到一些重要概念，先记录如下：

1. 感知机：单层感知机只能解决线性问题；要解决复杂的非线性问题，可以通过叠加多层感知机来实现
2. 神经网络的权重和偏置的设定也遵循一定的规律：relu函数使用He氏初始值，而sigmoid 和tanh函数使用Xavier初始值
3. 各种激活函数： relu, sigmoid, tanh, 阶跃函数
4. 输出层的设计：回归问题使用恒等函数，分类问题使用softmax函数

1. 学习率，轮数（epoch), 批处理（batch size)
2. 矩阵乘法，导数，计算图
3. 正规化（normalization), 正则化(regularization), 预处理（pre-processing), 后处理（post-processing), 过拟合(over fitting), one-hot encoding
4. 损失函数： 交叉熵误差（cross entropy error) 和均方误差（mean squared error)

   

   

5. 数据随机抽取，前向传播，后向传播
6. 损失函数优化： 梯度下降法（SGD），Momentum, AdaGrad, Adam, 学习率衰减 , L1/L2范数

   

7. 使用Batch Normalization, Dropout
8. 在卷积神经网络里的im2col函数