深度学习基础总结，无一句废话（附完整思维导图）
1 线型回归
预测气温、预测销售额、预测商品价格等
模型：权重，偏差
模型训练：feed 数据学习模型参数值，使得误差尽可能小
训练集、测试集、验证集、样本、标签、特征
损失函数：回归常用平方误差函数；
优化算法：小批量随机梯度下降（每次选一小批样本训练参数），每批样本大小叫做 batch size
学习率：正数
超参数：不是通过训练学出的，如学习率，批量大小
网络输出层只有一个神经元节点
全连接层：输出层中的神经元和输入层中各个输入完全连接
基本要素：模型、训练数据、损失函数和优化算法
2 softmax 回归
图像分类、垃圾邮件识别、交易诈骗识别、恶意软件识别等
softmax运算符将输出值变换成值为正，且和为1的概率分布
交叉熵损失函数：更适合衡量两个概率分布差异
3 多层神经网络
ReLU函数：只保留正数元素，负数元素清零
sigmoid函数：将元素值变换到0到1
tanh(双曲正切)：元素值变换到-1到1
4 模型选择
模型在训练集上更准确时，不代表在测试集上就一定准确
训练误差：训练数据集上表现出的误差；泛化误差：模型在测试集上表现的误差期望
机器学习需要关注降低泛化误差
模型选择：评估若干候选模型的表现并从中选择模型
候选模型可以是有着不同超参数的同类模型
验证集：预留训练和测试集之外的数据； 折交叉验证：训练集分成份，共次轮询训练集
欠拟合：模型无法得到较低的训练误差
过拟合：模型的训练误差远小于测试集上的误差
模型复杂度：低，容易欠拟合；高，容易过拟合
数据集大小：训练样本少，尤其少于学习参数数时，容易过拟合；层数多时尽量数据大些
5 必知技巧
过拟合解决措施之一：权重衰减，常用L2正则
L2惩罚系数越大，惩罚项在损失函数中比重就越大
丢弃法(dropout)：一定概率丢弃神经元
反向传播：从输出层到输入层参数调整过程
训练深度学习模型时，正向传播和反向传播间相互依赖
数值稳定性的问题：衰减和爆炸
层数较多时容易暴露，如每层都是一个神经元的30层网络，如果权重参数为0.2，会出现衰减；如果权重参数为2，会出现爆炸
权重参数初始化方法：正态分布的随机初始化；Xavier 随机初始化。
6 思维导图
以上1-5节的完整思维导图，制作出来方便大家更好学习：
<完>