深度学习基础知识(1)

一、深度学习基础

1、首先，我们简单了解什么是感知器，感知器就是单个神经元。

深度学习模拟的是人体的大脑，神经元的树突在接收到特定的输入刺激后，其胞体就会被激活，并通过轴突向其它神经元输出兴奋，从而导致更多的神经元被激活，这是大脑思考的基础。 这个过程简化为当神经递质的浓度达到一个特定的阈值，就可以通过电信号传导兴奋。

在深度学习中，生物学中的过程建模为上图，神经元可以表示成图中的⚪，当接受到输入信号时，会乘以权重w1和w2，神经元计算出总和，超过阈值θ时被激活，输出1。 θ称为偏置，w1和w2称为权重。

令b=-θ，公式可以改写为下图：

偏置和权重的作用是：w1和w2表示输入对激活的重要性，b用来调整激活的难易程度。

2、逻辑门的实现

我们来看一下硬件中的逻辑电路是如何通过神经元实现的。

1'与门

(w1,w2,θ)=(0.5,0.5,0.7)满足与门 (x1,x2,y)=000,010,100,111

2'与非门

(w1,w2,θ)=(-0.5,-0.5,-0.7)满足与非门 (x1,x2,y)=001,011,101,110

3’或门

(w1,w2,θ)=(0.5,0.5,0.3)满足或门 (x1,x2,y)=000,011,101,111

调整权重和阈值可以从硬件底层实现不同的逻辑门。 但是同时我们会发现，无论如何调整参数都无法实现异或门。

(w1,w2,b)=(1,1,-0.5)时x1+x2-0.5>=0?，在坐标系中画出x2=0.5-x1的直线，直线右侧表示神经元被激活时的输入。 左图表示或门，右图表示异或门，异或门的对角表示激活，没有直线可以分隔开。 由此可见，神经元实现的是线性化的运算，如果要实现异或门这种非线性的运算，就只能用多层感知器。

3、多层感知器

在数字电路中，异或门为y=AB'+A'B=AA'+AB'+A'B+A'B'=(A+B)(A'+B')=(A+B)(AB)'，左图用三个基本逻辑门可以实现异或。 右图是多个神经元的表现方式。

对于复杂函数，感知器有实现的可能性，但是参数需要手动设置。 为了解决这个问题，神经网络应运而生，它可以自动学习到参数。 那么，神经网络如何自动学习呢？ 随着学习的深入，后面会慢慢揭晓！