先引用他人關於李巨集毅教授關於深度學習導論的PPT，應該非常容易入門。

”《1天搞懂深度學習》，300多頁的ppt，臺灣李巨集毅教授寫的，非常棒。不誇張地說，是我看過最系統，也最通俗易懂的，關於深度學習的文章。“

這是slideshare的連結：
http://www.slideshare.net/tw_dsconf/ss-62245351?qid=108adce3-2c3d-4758-a830-95d0a57e46bc&v=&b=&from_search=3

沒梯子的同學，可以從我的網盤下：
連結：http://pan.baidu.com/s/1nv54p9R

 密碼：3mty

廢話少說，先上乾貨，整個PPT的思維導圖如下：  

深度學習概論

介紹深度學習

作者非常淺顯的指出機器（深度）學習過程非常簡單，分為定義方法、判斷方法的優劣、挑選出最佳的方法。

對於深度學習，首先第一步定義方法 - 神經網路。深度學習顧名思義是指多層的神經網路。

神經網路的思想來源於對於人腦的生理上的研究，人腦由數億個神經元組成，神經元通過軸突互相連線通訊。神經網路和人腦類似，存在多個層級（layer），每個層級都有多個節點（神經元），層級和層級之間相互連線（軸突），最終輸出結果。

對於神經網路的計算能力可以理解為通過一層層Layer的計算歸納，逐步的將抽象的原始資料變的具體。以圖片識別為例，輸入是一個個畫素點，經過每層神經網路，逐步變化成為線、面、物件的概念，然後機器有能力能夠識別出來。

藍色Neuron的output都接給紅色的Neuron，紅色的都接給綠色，綠色成為整個network 輸出,藍色前面是整個network的輸入。

network structure設定不同的引數，得到不同的function，把可能得function集合起來，得到一個function set。

 

黃色矩陣為Weight，藍色矩陣為vector，綠色為bias，再通過δ

函式（例如δ是行為function）得到最後的結果

 所有的x（vector）、weight、bias各自組成一個矩陣，再通過δ函式得到a1，a1作為一個output（成為x的位置）重複這樣的運算到最後一層，得到整個network的輸出。

Neural Network實際上做的事情是，一連串的矩陣運算，寫出這樣的好處是可以用GPU加速。

把一個x通過很多個Hidden Layers，把最後一個Hidden Layers的output想成一組新的feature，而output Layer

做的事情是multi-class classifier（多類分類器）——拿前一個Layer的Output當作feature，x經過很多個Hidden Layers和 複雜的轉換後，抽出一組特別好的feature

假定做數字圖片的識別，定一個圖片是16*16=256個vector，通過network輸出我們y1~y10，它們對應1~10（output多少個，設定多少個neuron和layers？）

第二步，評估方法的優劣。

Loss function是用於評估方法優劣，通常我們用學習出來的引數對測試資料進行計算，得出對應的預測（y）然後和真實的測試資料的目標值（t）進行比對，y和t之間的差距往往就是Loss。那麼評估一個演算法的好壞，就是要儘可能的降低Loss。

 

第三步，如何獲得最佳的學習方法

獲得最佳的學習是採用梯度下降演算法，作者也提到梯度下降演算法存在區域性最優解的問題。人們往往認為機器無所不能，實際上更像是在一個地圖上面拓荒，對周邊一無所知。神經網路計算梯度的演算法是反向傳播演算法，簡稱BP。

 

Why Deep？

作者首先指出越多的引數往往帶來越好的預測能力，所以神經網路往往引數越多越好。那麼如果是同樣的引數情況下，為什麼層級較多的表現會更好呢？

 

作者認為深度網路可以帶來模組化的好處，隨著網路的層級，神經網路會將畫素元素逐漸歸納出一些基本的特徵，進而變成紋理，進而變成物件。

 

訓練方法

 

作者總結下來訓練過程中會發現了兩種情況：

1. 沒有辦法得到很好的訓練結果 ---》 重新選擇訓練方式

2. 沒有辦法得到很好的測試結果 ---》 往往由於過度擬合導致，需要重新定義方法

 

 

優化訓練方法的手段：

1. 選擇合適的Loss function：使用Cross Entropy效果要優於Mean Square Error

2. Mini-batch: 每次訓練使用少量資料而不是全量資料效率更高

3. Activation Function：使用ReLU替代Sigmoid可以解決梯度消失的問題，可以訓練更深的神經網路

4. Adaptive Learning Rate：可以隨著迭代不斷自我調整，提高學習效率

5. Momentum: 可以一定程度上避免陷入區域性最低點的問題

 

避免過度擬合（overfitting）的方法：

1. Early Stopping：使用cross validation的方式，不斷對validation data進行檢驗，一旦發現預測精度下降則停止。

2. Weight Decay：引數正則化的一種方式？

3. Dropout：通過隨機去掉一些節點的連線達到改變網路形式，所以會產生出多種網路形態，然後彙集得到一個最佳結果

4. Network Structure: 例如CNN等其他形態的網路

 

神經網路變體

Convolutional Neural Network (CNN)

通常情況下，一個CNN包含多次的卷積、池化，然後Flatten，最終再通過一個深度神經網路進行學習預測。CNN在影象、語音識別取得非常好的成績，核心的想法在於一些物體的特徵往往可以提取出來，並且可能出現在圖片的任何位置，而且通過卷積、池化可以大大減少輸入資料，加快訓練效率。

 

Recurrent Neural Network (RNN)

RNN的想法是可以將hidden layer的資料儲存下來，然後作為輸入給下一個網路學習。這種網路的想法可以解決自然語言中前後詞語是存在關聯性的，所以RNN可以把這些關聯性放到網路中進行學習。

 

其他前沿技術

Ultra Deep Network：2015年出現了152層的Residual Net實現了圖片3.57%錯誤率

 

Reinforcement Learning: 通過獎勵機制強化學習，並且做出相應的動作

Unsupervised Learning:

1. Deep Style

2. 生成圖片

 

3. 無需人工介入理解文字的含義