2.2 深度学习理论基础

受限于计算机算力和数学理论的不够完善，最初的神经网络隐藏层的层数比较有限，大多只有3～5个隐藏层，称为浅层神经网络。随着计算机计算能力的提升和数学理论的完善，神经网络隐藏层的层数越来越深，有十几层到上百层，如图2.6所示，就发展成了深层神经网络，也称为深度学习。深度学习的“深度”两字有两个含义：一个是网络层数深；另外一个是能够学习到样本更深层次的特征。要搭建一个深度学习模型来求解问题，首先需要选择神经网络类型，比如全连接神经网络、卷积神经网络等，全连接神经网络的结构比较固定，卷积神经网络更灵活；然后需要确定神经元激活函数、选择参数学习方法等。本章我们以全连接神经网络设计来学习深度学习的一些基本理论，卷积神经网络将在下一章进行介绍。

全连接神经网络（Deep-Learning Neural Network，DNN）是一种多层感知机结构。整个全连接神经网络分为输入层、隐藏层和输出层，其中隐藏层可以更好地分离数据的特征，但是过多的隐藏层会导致过拟合问题。除输入层和输出层之外，每一层的每一个节点都与上下层节点全部连接，这就是“全连接”的由来。反映在由神经网络构造出的数学模型上，就是参数很多，构造的模型很复杂。

全连接神经网络训练分为前向传播、反向传播两个过程：前向传播指的是信号前向传播，数据沿输入到输出，通过计算可得到损失函数值；反向传播指的是误差的反向传播，是一个优化过程，利用梯度下降法或其他优化方法更新参数，从而减小损失函数值。 G00ALDeerlFRz5XnzqMnlwnzm1Sq7vMOZmbDT1EZ2/ynp6h5sqyVdoXmDk7SZkPj