大纲
- 深度学习介绍
- 深度学习训练的技巧
- 神经网络的变体
- 展望
Lecture I：概论
1.介绍深度学习
深度学习过程大体分为三个步骤：（1）定义方法（2）判断方法优劣（3）选出最佳方法
（1）定义方法——神经网络
深度学习可以理解为多层的神经网络。神经网络的思想来源于对于人脑的生理上的研究，人脑由数亿个神经元组成，神经元通过轴突互相连接通信。神经网络和人脑类似，存在多个层级（layer），每个层级都有多个节点（神经元neuron），层级和层级之间相互连接（轴突），最终输出结果。
对于神经网络的计算能力可以理解为通过一层层Layer的计算归纳，逐步的将抽象的原始数据变的具体。以图片识别为例，输入是一个个像素点，经过每层神经网络，逐步变化成为线、面、对象的概念，然后机器有能力能够识别出来。
（2）判断方法优劣
首先准备待训练的数据和它们的标签，最终目标是由训练数据学习而来的。
我们用学习出来的参数对测试数据进行计算，得出对应的预测（y）然后和真实的测试数据的目标值（t）进行比对，y和t之间的差距往往就是Loss。
我们评估一个方法的好坏，就是看这个Loss是不是尽可能小。
（3）选出最佳方法
获得最佳的学习是采用梯度下降算法，作者也提到梯度下降算法存在局部最优解的问题，即找到一条最“陡峭”的路下山。人们往往认为机器无所不能，实际上更像是在一个地图上面拓荒，对周边一无所知。
神经网络计算梯度的算法是反向传播算法，简称BP。
2.Why Deep?
很显然，神经网络的参数越多，预测能力就越好。那么如果是同样的参数情况下，为什么层级较多的表现会更好呢？
作者认为深度网络可以带来模块化的好处，模块化是从数据中自动学习的。随着网络的层级变多，神经网络会将像素元素逐渐归纳出一些基本的特征，进而变成纹理，进而变成对象。
3.Keras
TensorFlow or Theano的接口。
Lecture II:训练方法
经过神经网络训练之后会发现两种问题：
1.训练结果很差→重新选择训练方式
2.测试结果很差→（往往由于过拟合导致）重新定义方法
1.优化训练方法的手段：
（1）Choosing proper loss
选择合适的Loss function，使用Cross Entropy（交叉熵）效果要优于Mean Square Error（均方差）。
（2）Mini-batch
每次训练使用少量数据而不是全量数据效率更高。
（3）New activation function
使用ReLU（线性整流函数）替代Sigmoid可以解决梯度消失的问题，可以训练更深的神经网络。网络不是越深越好。
（4）Adaptive Learning Rate
可以随着迭代不断自我调整，提高学习效率。
（5）Momentum
可以一定程度上避免陷入局部最低点的问题。
2.避免过度拟合的方法
增加数据量是最简单的方法：创造更多的数据、给数据加噪声。
（1）Early Stopping
使用cross validation的方式，不断对validation data进行检验，一旦发现预测精度下降则停止。
（2）Regularization（Weight Decay）
参数正则化的一种方式。删除无用的联系。
（3）Dropout
通过随机去掉一些节点的连接达到改变网络形式，所以会产生出多种网络形态，然后汇集得到一个最佳结果。
（4）Network Structure
如CNN等其他形态的网络。
Lecture III: 神经网络的变体
1. 卷积神经网络（CNN） 广泛用在图像处理中
通常情况下，一个CNN包含多次的卷积、池化，然后Flatten，最终再通过一个深度神经网络进行学习预测。CNN在图像、语音识别取得非常好的成绩，核心的想法在于一些物体的特征往往可以提取出来，并且可能出现在图片的任何位置，而且通过卷积、池化可以大大减少输入数据，加快训练效率。
why CNN for Image？
图片中的一些模式比整张图片要小，一个神经元不需要去看见整个图片来发现这种模式，只用少量的参数来去连接小的区域即可。卷积网络的特性：某些模式比整个图片小，相同的模式出现在不同的区域。下采样像素不会改变目标。
2. 递归神经网络（RNN，Recurrent Neural Network）
RNN的想法是可以将hidden layer的数据存储下来，然后作为输入给下一个网络学习。这种网络的想法可以解决自然语言中前后词语是存在关联性的，所以RNN可以把这些关联性放到网络中进行学习。
