人工神经网络
作者：樱花猪
摘要：
本文为七月算法（julyedu.com）12月机器学习第十次次课在线笔记。人工神经网络在支持图像处理、文本、语言以及序列多种类型的数据处理时都用用到。本次课程更加侧重于实践，把抽象的人工神经网络用程序展现出来，课上讲述了编程使用的工具和方法，对于日后实验有非常重要的帮助。
引言：
人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。本次课程讨论了神经网络的基本框架、非常热门的BP算法以及实际编程的要点。
预备知识：
概率论；梯度下降法
人工神经网络
前向全连接网路
人工神经网络求法
一、人工神经网络
人工神经网络基础形态是前向全连接网络，同时拥有多种变形，这些变形构成了深度学习的主要内容。
卷积网路（CNN）：属于部分连接网络，是深度学习结构核心之一
递归网络（RNN）：是一种更为复杂的网络结构，能够很好的应对序列数据。
自编码器（Auto Encoder），一种数据特征学习，类似于PCA的作用
二、前向全连接网路（Full connected Forward Network）
1、基础神经单元
神经元是构成神经网络的基本单元，一个神经元的组成包括：
输入：n 维向量x；
线性加权：
激活函数：
，求非线性，容易求导；
输出标量：
2、常用激活函数：
a、sigmoid函数
。输出值域不对称，两头过于平坦。
b、tanh函数。两头过于平坦
C、Rectified linear unit
收敛速度比sigmoid和tanh快，计算简单高效。是目前最广泛使用的激活函数，特别应用在CNN。
3、丛神经元到网络
输入错，输入向量；
中间层（隐含层）
输出层，输出向量，用于预测、分类以及回归。
三、人工神经网络求法
1、损失函数（Loss Function）
配合模型训练，有Loss/Error Fuction：
Softmax / Cross-entropy loss：
SVM / hinge loss：
Least squares (L2 loss)：
2、输入数据的预处理：
如果输入数据各个维度数据是相关的，将导致各个权重相互影响，不利于优化算法寻找局部最优解。
如果各个维度的规模不一致，将导致对应的Error Surface容易出现狭窄区域，不利于优化算法寻找局部最优。
通常对向量数据必须要用PCA和白化处理，而对于一般的数据只需要做到均值化和归一化。
3、训练算法（BP算法）
神经网络的训练目标是找到W和B使得损失函数最小。优化算法需要计算dW和dB。BP算法就是计算W和B导数的算法。
BP算法的核心是链式规则。
算法步骤：
a. forward计算一次
b. 逐层计算backwoard得到各个层的dW和dB。
c. 应用随机梯度下降法SGD，更新W,B
4、数值校验
实现BP算法的过程中比较容易出错，因此有必要进行检查。
5、算法优化
多层网络的Error Surface非常复杂，存在很多局部最优，我们要寻找尽可能大的范围内的局部最优。
动量法不随更新W合适更新“更新W”的速度。
当位于距离较长的“坡”的时候动量法可以加快滑动速度；当位于平缓的区域时，动量法也能够保持一定的速度。
