深度学习（一）-感知机+神经网络+激活函数
深度学习概述
深度学习的特点
- 优点
- 性能更好
- 不需要特征工程
- 在大数据样本下有更好的性能
- 能解决某些传统机器学习无法解决的问题
- 缺点
- 小数据样本下性能不如机器学习
- 模型复杂
- 可解释性弱
深度学习与传统机器学习相同点
深度学习、机器学习是同一问题不同的解决方法
- 目的相同：都是利用机器自我学习能力，解决软件系统的难题
- 基本问题相同：回归问题、分类问题、聚类问题
- 基本流程相同：数据准备 → 模型选择 → 模型构建/训练 → 评估优化 → 预测
- 问题领域相同：监督学习、非监督学习、半监督学习
- 应用领域相同：推荐、计算机视觉、自然语言处理、语音处理、强化学习
- 评价标准相同
- 回归问题：均方误差；R2值
- 分类问题：交叉熵；查准率、召回率、F1综合系数
- 模型泛化能力：过拟合、欠拟合
感知机
生物神经元
感知机（Perceptron），又称人工神经元（Artificial neuron），它是生物神经元在计算机中的模拟。下图是一个生物神经元示意图：
感知机
感知机（Perceptron），又称神经元（Neuron，对生物神经元进行了模仿）是神经网络（深度学习）的起源算法，1958年由康奈尔大学心理学教授弗兰克·罗森布拉 特（Frank Rosenblatt）提出，它可以接收多个输入信号，产生一个输出信号。
感知机功能
神经元作为回归器 / 分类器
逻辑和（线性分类）
逻辑或（线性分类）
感知机局限
感知机的局限在于无法处理“异或”问题（非线性问题）
多层感知机
1975年，感知机的“异或”难题才被理论界彻底解决，即通过多个感知机组合来解决该问题，这种模型也叫多层感知机（Multi-Layer Perceptron，MLP）。如下图所示，神经元节点阈值均设置为0.5
神经网络
感知机由于结构简单，完成的功能十分有限。可以将若干个感知机连在一起，形成 一个级联网络结构，这个结构称为“多层前馈神经网络”（Multi-layer Feedforward Neural Networks）。所谓“前馈”是指将前一层的输出作为后一 层的输入的逻辑结构。每一层神经元仅与下一层的神经元全连接。但在同一层之内，
神经元彼此不连接，而且跨层之间的神经元，彼此也不相连。
1989年，奥地利学者库尔特·霍尼克（Kurt Hornik）等人发表论文证明，对于任意复杂度的连续波莱尔可测函数（Borel Measurable Function）f，仅仅需要一个隐含层，只要这个隐含层包括足够多的神经元，前馈神经网络使 用挤压函数（Squashing Function）作为激活函数，就可以以任意精度来近似模拟f。如果想增加f的近似精度，单纯依靠增加神经元的数目即可实现。
这个定理也被称为通用近似定理（Universal Approximation Theorem），该定理表明，前馈神经网在理论上可近似解决任何问题。
神经网络要足够深
多层神经网络计算公式
激活函数
定义
在神经网络中，将输入信号的总和转换为输出信号的函数被称为激活
函数（activation function）
为什么使用激活函数
激活函数将多层感知机输出转换为非线性，使得神经网络可以任意 逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。
如果一个多层网络，使用连续函数作为激活函数的多层网络，称之 为“神经网络”，否则称为“多层感知机”。所以，激活函数是区 、别多层感知机和神经网络的依据。
常见激活函数
阶跃函数
–
阶跃函数（Step Function）是一种特殊的连续时间函数，是一个从0跳变到1的 过程，函数形式与图像：
sigmoid函数
–
sigmoid函数也叫Logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实
数映射到(0,1)的区间，可以用来做二分类，表达式：σ(x) = 1 / (1 + e
-x
)
- 优点：平滑、易于求导
- 缺点：激活函数计算量大，反向传播求误差梯度时，求导涉及除法；反向传播时，很容易就 会出现梯度消失的情况，从而无法完成深层网络的训练
右侧是导数，x越来越大或者越来越小，导数逐渐为0，梯度逐步转换为0
tanh双曲正切函数
- 优点：平滑、易于求导；输出均值为0，收敛速度要比sigmoid快，从而可以减少迭代次数
- 缺点：梯度消失
- 用途：常用于NLP中
ReLU（Rectified Linear Units，修正线性单元）
- 优点：
（1）更加有效率的梯度下降以及反向传播，避免了梯度爆炸和梯度消失问题
（2）计算过程简单
- 缺点：小于等于0的部分梯度为0
- 用途：常用于图像
一般这里x<=0的时候都是给一个特别小的值，不至于让该神经元消失
Softmax
Softmax函数定义如下，其中Vi 是分类器前级输出单元的输出。i 表示类别索引，总的类别个数为 C。
Si 表示的是当前元素的指数与所有元素指数和的比值。通过
Softmax函数就可以将多分类的输出数值 转化为相对概率，而这些值的累和为1，常用于神经网络输出层。 表达式：
将预测结果转换为相对概率
在分类模型中，有几个类别，输出层就有几个神经元
分类模型的输出层激活函数一般都是softmax
总结
- 感知机：接收多个输入信号，产生一个输出信号，无法解决异或问题
- 多层感知机：将多个感知机组合
- 多层前馈网络：若干个感知机组合成若干层的网络，上一层输出作为下一层输入
- 激活函数：将计算结果转换为输出的值，包括阶跃函数、sigmoid、tanh、ReLU