深度学习笔记——神经网络
本文为在拓尔思智能举办的训练营中学习内容的总结，部分内容摘自百度百科
个人在这里推荐一个好用的软件，Trae，主要是免费。
人工神经元是人工神经网络的基本单元。模拟生物神经元，人工神经元有1个或者多个输入（模拟多个树突或者多个神经元向该神经元传递神经冲动）；对输入进行加权求和（模拟细胞体将神经信号进行积累和树突强度不同）；对输入之和使用激活函数计算活性值（模拟细胞体产生兴奋或者抑制）；输出活性值并传递到下一个人工神经元（模拟生物神经元通过轴突将神经冲动输入到下一个神经元）。
nn.Linear线性层
线性层(Linear Layer)又称全连接层(Full-connected Layer)，其每个神经元与上一层所有神经元相连，实现对前一层的线性组合/线性变换。每个神经元都和前一层中的所有神经元相连，每个神经元的计算方式是对上一层的加权求和的过程。因此，线性层可以采用矩阵乘法来实现。
# nn.Linear(in_features, out_features, bias=True)
layer = nn.Linear(20, 30)
x = torch.randn(128, 20)
y = layer(x)
y.shape输出：
torch.Size([128, 30])
这个代码实现从20个特征点向30个的自由转移，也就是线性层的作用。
relu函数：
ReLU，全称为：Rectified Linear Unit，是一种人工神经网络中常用的激活函数，通常意义下，其指代数学中的斜坡函数，即f(x)=max(0,x)
他的应用其实就是把小于0的数值归零
激活函数：是对特征进行非线性的变化，赋予多层神经网络具有深度的意义。
参考了该文章一些内容：
深入理解ReLU函数（ReLU函数的可解释性）-CSDN博客