深度学习（Deep Learning, DL）是机器学习（Machine Learning, ML）的一个重要分支，核心是通过模拟人类大脑神经元的连接方式，构建多层神经网络来自动学习数据中的特征和规律，最终实现预测、分类、生成等任务。它摆脱了传统机器学习对 "人工设计特征" 的依赖，能直接从原始数据（如图像、文本、音频）中挖掘深层信息，是当前人工智能（AI）技术爆发的核心驱动力。
一、深度学习的核心思想："多层" 与 "自动特征学习"
要理解深度学习，首先需要对比它与传统机器学习的核心差异：
举个直观例子：
- 用传统机器学习识别猫：需手动设计 "是否有胡须""是否有尖耳朵""毛色分布" 等特征，再喂给模型训练；
- 用深度学习识别猫：直接输入原始猫的图片，模型会自动从 "像素点→边缘→纹理→五官→完整猫轮廓" 逐层学习特征，无需人工干预。
二、深度学习的基础组件：神经网络的核心单元
深度学习的模型本质是多层神经网络，其最小组成单元和结构如下：
1. 基本单元：人工神经元（Artificial Neuron）
模拟生物神经元的 "接收信号→处理信号→输出信号" 过程，是神经网络的基础：
• 输入（Input）：接收来自前一层的信号（如数据特征、前一层神经元的输出）；
• 权重（Weight）：每个输入对应一个权重（表示该输入的重要性，模型训练的核心就是优化权重）；
• 偏置（Bias）：调整神经元激活的 "基准线"，避免仅由输入和权重决定输出；
• 激活函数（Activation Function）：对 "输入 × 权重 + 偏置" 的结果进行非线性变换，让模型能学习复杂的非线性关系（如图像、语言中的复杂规律）。
常见激活函数：
- ReLU：最常用，公式
f(x) = max(0, x)，解决 "梯度消失" 问题，计算高效； - Sigmoid：将输出压缩到 [0,1]，适用于二分类任务的输出层；
- Tanh：将输出压缩到 [-1,1]，比 Sigmoid 更对称，常用于早期模型的隐藏层。
- 这是生物上的神经元
- 这是计算机上的神经网络、
- 神经网络是由大量的节点（或称"神经元"）和之间相互的联接构成。
- 每个节点代表一种特定的输出函数，称为激励函数、激活函数（activation function）。
- 每两个节点间的联接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。
2. 神经网络的层结构
多个人工神经元按 "层" 组织，形成神经网络，核心层包括：
• 输入层（Input Layer）：接收原始数据（如图片的像素值、文本的向量），仅传递数据，不做计算；
• 隐藏层（Hidden Layer）：对输入层的信号进行逐层加工、提取特征，"深度" 即指隐藏层的数量（通常≥2 层即可称为 "深度网络"）；
• 输出层（Output Layer）：输出模型的最终结果，根据任务类型选择不同的激活函数：
◦ 分类任务：用 Softmax（多分类，输出各类别概率之和为 1）；
◦ 回归任务：无激活函数（直接输出连续值）；
◦ 二分类任务：用 Sigmoid（输出单个概率值）。
三、推导
- 以下是推导过程：
- 传入特征，按照不同的权重传入神经元进行求和
- 然后将结果放入sigmod函数进行非线性映射
- 最后得出分类结果
四、感知器与多层感知器
1.感知器
- 由两层神经元组成的神经网络--"感知器"（Perceptron）,感知器只能线性划分数据。
- 因为只能通过一个线性函数（即加权和）将输入数据映射到输出类别
- 感知器图示
- 右下角是计算规则
2.多层感知器
多层感知器（MLP）是深度学习中一种重要的神经网络结构，由多个层次的神经元组成，通常包括以下部分：
输入层：接收数据特征。
隐藏层：一个或多个，进行复杂的非线性变换。每层的神经元通过激活函数（如ReLU、Sigmoid）处理输入。
输出层：生成最终的预测结果或分类标签。
3.偏置
在神经网络中需要默认增加偏置神经元（节点），这些节点是默认存在的
它本质上是一个只含有存储功能，且存储值永远为1的单元
在神经网络的每个层次中，除了输出层以外，都会含有这样一个偏置单元
偏置节点没有输入（前一层中没有箭头指向它）
一般情况下，我们都不会明确画出偏置节点
调整决策边界：偏置项允许决策边界在特征空间中进行平移，而不仅仅是通过原点。
提高模型灵活性：使得神经网络能够捕捉到更多的数据模式和复杂性，即使在没有输入特征的情况下也能进行调整。
五、如何确定输入层和输出层个数
- 输入层的节点数：与特征的维度匹配
- 输出层的节点数：与目标的维度匹配。
- 中间层的节点数：目前业界没有完善的理论来指导这个决策。一般是根据经验来设置。较好的方法就是预先设定几个可选值，通过切换这几个值来看整个模型的预测效果，选择效果最好的值作为最终选择。
六、损失函数
模型训练的目的：使得参数尽可能的与真实的模型逼近。
具体做法：
1、首先给所有参数赋上随机值。我们使用这些随机生成的参数值，来预测训练数据中的样本。
2、计算预测值为yi，真实值为y。那么，定义一个损失值loss，损失值用于判断预测的结果和真实值的误差，误差越小越好
常用的损失函数： 0-1损失函数 均方差损失 平均绝对差损失 交叉熵损失 合页损失
多分类的情况下，如何计算损失值
七、正则化惩罚
输入为[1,0,0,0]现有2种不同的权重值
w1 = [1,0,0,0]
w2 = [0.25,0.25,0.25,0.25]
w1和w2与输入的乘积都为1，但w2 与每一个输入数据进行计算后都有数据，使得w2会学习到每一个特征信息。而w1只和第1个输入信息有关系，容易出现过拟合现象，因此w2的效果会比w1 好
正则化惩罚的功能：主要用于惩罚权重参数w，一般有L1和L2正则化。
八、梯度下降
1. 偏导数
我们知道一个多变量函数的偏导数，就是它关于其中一个变量的导数而保持其他变量恒定。该函数的整个求导： 例如：计算像 f（b0，b1）=b0x1²* b1x2 这样的多变量函数的过程可以分解如下：
2. 梯度
梯度可以定义为一个函数的全部偏导数构成的向量，梯度向量的方向即为函数值增长最快的方向
3、梯度下降法
一个一阶最优化算法，通常也称为最陡下降法 ，要使用梯度下降法找到一个函数的局部极小值
步长（学习率）：梯度可以确定移动的方向。学习率将决定我们采取步长的大小。不易过小和过大 如何解决全局最小的问题？产生多个随机数在不同的位置分别求最小值。
九、BP神经网络
BP（Back-propagation，反向传播）前向传播得到误差，反向传播调整误差，再前向传播，再反向传播一轮一轮得到最优解的。
