本笔记资料来源于 http://www.ai-start.com/ml2014/，该笔记来自于https://blog.csdn.net/dadapongi6/article/details/105668394，看了忘，忘了看，再看一遍。
时间统计：2024.2.29 5个番茄钟，从week1开始，看完了week5反向传播算法。
week1
特征缩放是什么？
week3
http://www.ai-start.com/ml2014/html/week3.html
线性回归和逻辑回归是同一个算法吗？
线性回归是回归任务；
逻辑回归是logistic regression是2分类，是一个分类任务。在线性回归后又加了一个sigmoid函数，把线性回归的值映射到0-1之间。
代价函数为什么不使用误差的平方和，而是使用交叉熵？
这个图太形象了，使用误差的平方和会让loss函数是非凸的，导致loss函数会有很多局部最小值！
正则化为什么可以防止过拟合？
防止参数过大。
week4
神经网络的矩阵参数含义
假设一个神经网络输入x是3维向量，输出a是10维向量，则神经网络的矩阵W就是(10x3)，也就是神经网络的参数量
a=Wx。如下图所示，每个神经元跟输入的所有神经元都建立了连接。
由此可见，单纯的神经元线性层确实只是线性变换。
神经网络相比线性回归和逻辑回归的优势是什么？
隐藏层的输出表示更高维度的feature，相对于输入表达的更多。
神经网络表示and or 非 同或(XNOR)
这个是真牛逼，我就想不到。当你神经网络是一个函数，对于一个and函数来说，它的输入就是2维的x1,x2，所以这个线性网络只需要三个参数。
同或XNOR表示
多分类输出，有多少个类别，就输出多少个神经元，最后神经元的真值是onehot向量。
week5
训练神经网络的流程
- 参数的随机初始化
- 利用正向传播方法计算所有的h(x)
- 编写计算代价函数Loss的代码
- 利用反向传播方法计算所有偏导数
- 利用数值检验方法检验这些偏导数
- 使用优化算法来最小化代价函数
反向传播算法（直观理解，吴恩达视频讲解）比较清晰。
什么是反向传播算法？误差从最后一层，一层层往前传播；而前向传播指的是输入的数据，从前往后一层层往后传播，误差的传递公式看下图，其实就是梯度反传？
sigmoid函数求导 f’(x) = f(x)*(1-f(x))
问题1 反向传播公式怎么推导出来的？
吴恩达老师说自己了解也不是很深入，但是不影响他使用。大家也是一样，不用太纠结。
从反向传播公式中可以看出loss的反向传播用到了上一层的梯度。
问题2 神经网络参数初始化不能为0？
为0的话会导致第二层所有激活值都是零。
week6
怎么判断欠拟合和过拟合？
随着训练次数的增加，训练集和验证集的loss趋于相同，且都比较大 。
欠拟合的情况下，增加数据到训练集不一定能有帮助。 比如用一个直线方程去拟合曲线方程，无论怎么增加数据都是没用的。
过拟合加数据肯定有用。
如何选择网络
选择比较大的神经网络并采用正则化的方法，要比采用小的神经网络更好。因为小的网络容易欠拟合，而大的网络可以通过正则化适应数据。
