深度学习基本概念

Liner Model 太过简单，不能拟合复杂的关系

可能出现如下情况：

如何写更复杂的有未知参数的函数？
红色function 可以看作 一个常数 + 一群蓝色的function

曲线也可以通过取适当的点然后把这些点连接起来形成一个 Piecewise Liner(分段) 的 Curves，所以可以通过足够多的 蓝色的 function 加起来形成任何的曲线。

通过 sigmoid function 来逼近 蓝色的 function

sigmoid Function：S 形的 function

$$y=c\frac{1}{1+e^{-(b+w{x}_1)}}$$
$$=csigmoid(b+w{x}_1)$$

当 $w$ 为正时，$x_1$ 趋近于 ∞ 时，sigmoid 趋近于 $c$，$w$ 为负时，…，sigmoid 趋近于 $0$。

通过调整 $w$、$b$ 和 $c$ 来得到各种形状的 sigmoid function 来拟合各种蓝色的 function。

所以 0、1、2、3 这 4 条蓝色的 function 都可以用 $csigmoid(b+w{x}_1)$ 来表示，只是对应的 $c$、$w$ 和 $b$ 不同，所以红色的 function $y$ 就可以用以下形式表示：

所以可以通过 调整 $c_i$、$b_i$ 和 $w_i$ 来拟合各种各样曲线的 function

有弹性的有未知参数 function

从 线性的 $y=b+w{x}_1$
推广到 分段 曲线 function
$y=b+{\sum }_i{c}_{i}sigmoid(b_i+w_i+x_1)$

这里只有 $x_1$ 代表只能通过当前一条数据结果来预测下一个结果。

而 在上一个 blog 最后 推广到可能具有周期性，所以可以通过 多个 feature 来改造函数，然后再对具有多个 feature 的函数进行推广，就有

$y=b+{\sum }_j{w}_j{x}_j$ 推广为
$y=b+{\sum }_i{c}_{i}sigmoid(b_i+{\sum }_j{w}_{ij}{x}_j)$

相当于从多个 feature 与 $y$ 有一个线性关系推广为多个 feature 与 $y$ 有一个曲线关系

$i$ 代表多个 $sigmoid函数$，而 $j$ 代表多个feature

$w_{ij}$ 表示 再 第 $i$ 个 sigmoid 里面乘 给 第 $j$ 个 feature 的 $weight$

可以用以下向量与矩阵关系表示这个乘法关系

所以 $a_1=sigmoid(r_1)=\frac{1}{1+e^{-r_1}}$

所以用线性代数表示为：



将未知参数 $W$、$b向量$、$C^T向量$、$b常数$展开成 $\theta$ 向量

这样就完成了 ML 的第一步

Loss 还是同样的方法，带入一组 $\theta$ 然后求得 $y$ 并且求与 $\hat{y}$ 的差值，来判断这组 $\theta$ 的好坏。

第三步 Optimization 的方法也没有变化

对所有的 ${\theta }_i$ 求 微分，然后得到一个向量 $g$
$g$ 就是 gradient

在实际的程序中，需要把大 data 随机分成多个 batch，然后对每一个 batch 进行计算 $g$，更新 $\theta$（一个 epoch），每一次更新参数(一个batch)叫做一次 update

batchsize 也是 hyperparameter

通过 Relu 来逼近 蓝色的 function
需要先用 Relu 拟合 Hard sigmoid


sigmoid 与 Relu 统称为 activation function

我们可以重复多次 进行如下扩展：

多个 layer