深度学习课程之边缘检测电子教材（必读好文）

　　神经网络没有一个严格的正式定义。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。

　　一个计算模型，要划分为神经网络，通常需要大量彼此连接的节点 （也称 ‘神经元’），并且具备两个特性：

　　每个神经元，通过某种特定的输出函数 （也叫激励函数 activation function），计算处理来自其它相邻神经元的加权输入值。

　　神经元之间的信息传递的强度，用所谓加权值来定义，算法会不断自我学习，调整这个加权值。

　　在此基础上，神经网络的计算模型，依靠大量的数据来训练，还需要：

　　成本函数 （cost function）：用来定量评估根据特定输入值， 计算出来的输出结果，离正确值有多远，结果有多靠谱。

　　学习的算法 （ learning algorithm ）：这是根据成本函数的结果， 自学， 纠错， 最快地找到神经元之间最优化的加权值。

　　深度学习的概念由Hinton等人于2006年提出。基于深度置信网络（DBN）提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

　　深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

　　边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。 这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。