深度学习介绍
深度学习与机器学习的区别：
机器学习的特征工程步骤是要靠手动完成的，而且需要大量的领域专业知识
深度学习不需要更多的特征处理
只需要进行图片的输入，进入神经网络后，输出结果
深度学习通过多个层组成，他们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。
深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了每个问题开发新特征提取的任务。适合在难提取特征的图像、语音、自然语言领域。
- 特征处理
- 机器学习：人工处理设计特征
- 深度学习：不需要人工处理，只需要经过网络输出即可
- 应用在图像、自然语言处理、语音
神经网络的特点：
每个连接都有一个权值，同一个神经元之间没有连接
神经元当中会含有**函数
最后的输出结果对应的层也称为全连接层
神经网络基础
总结：
导数
在某一点的斜率。斜率：当增加自变量一定不可估计的最小值，应变量增加的相对于自变量的倍数
计算图：从前往后的计算过程，从后往前的计算过程，链式法则
09
避免使用for循环进行向量的计算，适用np.dot等numpy工具进行操作
浅层神经网络
浅层神经网络
隐藏层：4个单元，输出层：一个神经元
注意每一层计算过程形状的变化
选用其他的**函数
Tanh,relu
我们使用非线性**函数，可以避免简单的线性叠加
分为两个部分进行反向传播
最后一层夫人梯度计算，dw[2],d[2]
隐层的梯度计算,dw[1],db[1]