刚刚步入研二，研一的时候由于各种原因单单接触到的只是人工的特征，以及基础的机器学习类的知识。直到这学期才开始直到了解CNN及各种深度学习方面的知识。

  博主话不多说，这篇博客是我的第一篇博客，希望能给自己开个好头吧。

  由于在深度学习方面我只是单单的接触到了CNN，所以我想就我看到的资料来给自己总结一下CNN的过程及内部细节。

  注：本文大部分都是采取摘录的方式进行总结。



一、NN （神经网络）

顾名思义，由各个神经一样组成的网络。

人的神经系统有860亿个神经元，每个神经元从树突接受信号，从轴突传递信号。信号（x0）顺着轴突传递信号，受到了激励变成了w0x0，我们认为这其中的w0是可以学习到的。然后将这些信号进行汇总，如果超过了某个阈值则表明可以被激活。

总结下：每个神经元对输入信号x0和权重w0做内积，加上bias，通过sigmoid激励函数，输出结果。


常用激励函数：

1、sigmoid


公式：σ(x)=1/(1+e−x)

当年用sigmoid的特别多，这两年没有了几乎。

主要缺点如下：

    1、实际梯度下降过程中，容易饱和和终止梯度传递。由于反向传播过程依赖于梯度，而一元函数中梯度就是斜率，如图可见在x很大或者很小的时候，斜率为0。我们最后的梯度是中间这些梯度相乘得到的，故如果中间梯度较小，则会将最终结果拉为0。

    2、函数输出没有中心化。如果输出的结果均值不为0，那么反向传播的梯度要么全为正，要么全为负。这带来的后果是：反向传播得到的梯度用来更新权重时得到不是平缓的迭代变化，而是锯齿形的变化过程。

         相对比，第一个缺点更严重些。