深入学习入门--总体介绍+基本概念

深度学习(Deep Learning)入门必备基本概念(这是一个超链接)

1. 神经网络(Neural Network)基础
   1.1 神经元(Neuron)
   1.2 权重(weights)
   1.3 偏差(bias)
   1.4 **函数(Activation function)
2. 常用的**函数
   2.1 sigmoid-用于隐层神经元的输出
   2.2 ReLu(整流线型单位) - 用于隐层神经元输出
3. 神经网络(Neural Network)
   3.1 输入,输出,隐藏层
   3.2 MLP(多层传感器)
   3.3 正向传播(Forword Propagation)
   3.4 成本/损失函数(Cost Function)
   3.5 梯度下降
   3.6 学习率(Learining rate)
   3.7 反向传播(Back Propagation)
   3.8 批次(Batches)
   3.9 周期(Epoches)
   3.10 丢弃(Dropout)
4. 卷积神经网络(CNN)
   4.1 滤波器（filter）

深度学习的基本概念

神经元

每个神经元都是由输入、权重、偏置以及激励函数组成的。

卷积核

卷积核是一种矩阵的形式，一般的卷积核大小为3*3，卷积核计算的过程类似于边界算子的计算过程， 将卷积核与图片中的像素点对应相乘，再相加，将得到的像素值作为该像素点的值。

分类问题

分类问题是指预测的目标值为离散值

回归问题

回归是指预测的目标值为连续值

生成问题