这一系列博客，记录我在deep learning上的理解和认知。
首先介绍神经网络的基本结构。如下图
基本的结构：输入层(样本数据)，隐藏层(隐藏层的层数和每层的神经元数目需要自己给定)，输出层(预测目标)
神经元
神经元的结构如下图所示
神经元是上一层的输入与权重相乘后求和，在经过非线性函数转换。得到下一层的输出。如：之前网络结构图中，从输入层到隐藏层的神经元的数目为4个。
非线性函数(激活函数)
如果把神经元的非线性函数去掉的话，那么这个神经元可以写成：输出=输入*权值+偏置。这个就是线性回归方程，所以如果把神经网络的非线性函数去掉，那么整个网络就是由多个线性回归组成的。线性回归是线性方程，只能解决线性可分的问题。多个线性回归组成的结果无论经过多少的层的神经网络，其本质上也是线性方程。但现实中的很多需要解决的问题都是线性不可分的(异或问题)。所以为了解决这些线性不可分的问题，我们引入了非线性方程g，那么输出就变为了g(w*X+b)。
目前主流的非线性函数主要有：
sigmoid函数：
下图是sigmoid函数图像
sigmoid把求和的结果都变为(0,1)之间的值。
tanh函数：
下图是tanh函数与Sigmoid函数的函数曲线：
在具体应用中，tanh函数相比于Sigmoid函数往往更具有优越性，这主要是因为Sigmoid函数在输入处于[-1,1]之间时，函数值变化敏感，一旦接近或者超出区间就失去敏感性，处于饱和状态，影响神经网络预测的精度值。主要体现在计算梯度时。
relu函数：
下图是relu函数的曲线：
relu函数并未像tanh函数和sigmoid函数一样，将求和的值限制在(0,1)之间。其阈值是[0,+∞]。
上面3个激活函数主要是用在从输入层到隐藏层以及隐藏层到隐藏层之间。
对于最后一层隐藏层到输出层之间，一般选用softmax函数进行归一化。
softmax函数：
for j = 1, …, K.
由于在用神经网络解决的问题大部分都是多分类问题，softmax是将多分类转化为概率的一个函数。如果预测的目标是二分类，则使用sigmoid进行二分类的概率转化。
上面表达式中的zj=隐藏层的输入*权重+偏置，K为预测目标的分类数量。
基本结构已讲完，希望对大家有所帮助。
