神经网络
- 1.神经网络基础
- 2.卷积神经网络（CNN）
- 3.循环（递归）神经网络
-
- [3.1 LSTM](#3.1 LSTM)
- 3.2自然语言处理（NLP）-词向量模型（Word2Vec）
- 4.对抗生成网络（GAN）
1.神经网络基础
1.1线性函数
x为图像，W为权重值，f输出对于该图像的得分值
以图片（图像以3232 3=3072为例）分类（10类）为例：
f值（101）就是对一张图像的类别打分值；
W（10 3072）包含对3072个像素点每一点的权重值；
x（30721）图像的列向量；
b（101）每一个类别的偏移量（感觉像消除误差的）
以3类图像，图像为2*2的为例
1.2损失函数
结果的得分值可以指出模型的当前效果，有多好或是多差!
损失函数Li （越小越好，越大表示分类效果越差）中sj 为该图像在其他类别中的得分值，syi 为该图像在自己类别中的打分；其中+1是为了防止得分比较近的时候，使得误判损失为0（如：第一幅图打分为3.2，3.15，-1.7，则计算cat和car之间的损失时，不加1，输出为0，表示两者无误差，但实际是不对的），也就是让正确类别比错误类别高于1以上才无损失。
R(W)为所有权重阵的平方和，λ惩罚系数，越大表示不希望过拟合，削减奇异值，越小表示削减程度小点。
1.3激活函数
使得得分值的范围归到0-1之间
第一列为类别的得分值；第二列为exp（得分）；第三列为归一化（第二列每个值都除以所有的求和值），最后求-log（越接近0表示损失越小，分类越好）
1.4前向传播
1.5反向传播
链式求导法则
图中，绿色表示相应的输入量，红色表示链式求导的逆向输出值（如：1/x的导数为-1/x2 ,x=1.37,输出为下面的-0.53）
该图表示：加法的导数都为1，MAX的导数是输入最大的变量导数为整个输出；
乘法导数互换。
1.6整体框架
隐藏层：对输入的每个数据都附上权重值（几个圆（神经元）代表有多少种 权重）。
每一隐藏层后都进行非线性变化（激活函数，如sigmoid，max）。
神经元越多过拟合程度也越大，效果可能越好，但速度越慢
斯坦福大学可视化神经网络训练
惩罚力度越大过拟合效果越弱。
隐藏层神经元一般为64，128，256，512。可见神经元数目越多过拟合越大
sigmoid函数当自变量过大会出现梯度消失，变为0.
1.7数据预处理
形成权重矩阵（D*H的矩阵）
在每一层中随机选取少量神经元参与计算，以此避免过拟合。
总结：
输入数据经过预处理，*W1------>激活函数...*Wn------>激活函数,输出。
之后计算损失函数，通过反向传播对每一个参数进行求导，以修正参数值。
2.卷积神经网络（CNN）
输入不再是列向量，而直接是一张图像
2.1卷积
三通道图像：每一通道都进行卷积，之后相加。
有多个卷积核就会输出几层特征图。（图中bias表示w*x+b中的b偏移量）
2.2池化层
降低特征图的大小，也称压缩或下采样
在每个区域选择最大的值，只将特征图中重要的特征提取出来。
上图为一个七层的卷积神经网络（只有带参数计算的才算一层：6个卷积+1个全连接层FC），在最后的池化和FC之间还有一步将三维的特征块，转化成列/行向量（即下图中转换）。
2.3感受野
图中表示：input经过一次卷积，输出为粉色区域，第二次卷积输出为一个粉色格。
所需参数个数：77 C中C表示输入为C层，C*(77C)左侧C表示需要C个卷积核。右同。
2.4Resnet
对于层数越多效果反而不好的，采取Resnet残差网络。
即，在本来流程中的每一层（经卷积）中都加入一个直接连接到下一层的线路，保证当网络经过训练后，本层中权重参数不适合时，去掉后不影响之后的网络（保证不会比层数少的时候效果差）。
3.循环（递归）神经网络
h表示每个时刻的结果，即当前隐藏状态，作为下一时刻的输入。
3.1 LSTM
3.2自然语言处理（NLP）-词向量模型（Word2Vec）
即对每一个特征进行打分[-1，1],最后形成向量形式。
4.对抗生成网络（GAN）
参考资料：神经网络入门到实战