Brief Introduction of Deep Learning
· Deep learning 的历史
深度学习从发现开始起起伏伏，直到2012年，在ILSVRC image competition中深度学习的技术得到了广泛的关注。
· Deep learning的步骤
深度学习的步骤与机器学习类似，也可以看成三个步骤
Step 1：Neutral Network
深度学习是有多层的神经网络构成。假设输入一组数据，如图4 input layer，然后通过设置好的权重（weight）与偏差（bias），通过SIGMOID函数（激活函数，将数据转化为非线性，且范围在1.-1之间）会得到一组输出值，这个过程如图3所示。
用矩阵计算表示如下：
激活函数 *（用权重矩阵*输入值向量+偏差向量）
多层的神经网络，会通过不同的规则来连接，不同的连接方式又会又不同的神经网络结构。这里以fully connect feedforward network为例，每一层的每一个数据都会传输到下一层的每一个数据，这叫做fully（矩阵的乘法运算，但是要用权重矩阵*输入值），从输入正向传播叫feedforward。
一个神经网络结构由Input Layer，Hidden Layers，Output Layer组成，如图4。Deep表示many hidden layers。一般很多层的神经网络结构，都不适用Fully connect，而是需要特定的结构。
通过一个例子来更直观的说明神经网络的工作原理，如图5所示，是一个手写数字的识别问题。输入数据为一个256维的向量，是这个数字的像素点，通过构建神经网络，输出一个10维的向量，这个向量表示了是0-9数字的概率。
Step 2：Goodness of Function
第一步是用神经网络，找到可用的函数表达式，第二步需要定义什么样的函数表达式（神经网络）是好用的。
假设需要辨识手写1，输入像素点向量后，会得到预测值，通过计算预测值与真实值之间的差距，可以得到cross entropy，不断调整使得该值越来越小。
不断的输入有标签的数据，可以得到将所有的误差值相加，可以得到Total Loss，接下来的任务就是找到使得Total Loss最小的function，即找到该function对应的参数值。
求解的方法与之前机器学习相同，还是采用梯度下降的方法。要求损失函数的最小值，则在该店对L进行微分如果小于0就向右移动，大于0则向左，直到微分值为0，这样就可以得到一个局部最优解。学习率μ决定了每次移动的距离。
通过每一层的迭代，直到每一层对应的使得损失函数最小的参数值。
梯度下降是一个很有用的工具，Alpha Go也是通过梯度下降来计算损失函数最小的。但是由于在深度学习中，计算较为复杂，可以选用Pytorch，TensorFlow
Notes：
· 深度学习的训练集大小：
· 深度学习的计算资源
· 深度学习的算法优化：
