一、概念

1.神经元模型

（1）神经网络的基本组成单位

（2）生物上，每个神经元通过树突接受来自其他被激活神经元的信息，通过轴突释放出来的化学递质改变当前神经元内的电位。当神经元内的电位累计到一个水平时（这个过程不一定就是持续的，线性的，而这使我们需要的松弛感）就会被激活，产生动作电位，然后通过轴突释放化学物质。

（人话就是这个做出反应的功能就是我们要的让机器具有“反应”的能力，人类的记忆之本，而记忆又是智慧之本。）

（3）常用的激活函数（牢记！！！！！注意x，y的取值范围！！！！！）:

激活函数的目的是进行非线性变换（就是刺激/反应）。

Sigmoid：优点易于求导；输出区间固定，训练过程不易发散；可作为二分类问题的概率输出函数。

ReLU：是目前广泛使用的一种激活函数。

优点：计算速度快：减少梯度消失问题：稀疏激活性：实现简单：

缺点：输出不是严格的范围限定：输出可能不稳定：不适合所有情况：

Tanh：使用Tanh的神经网络往往收敛更快。

Softmax：常用于将函数的输出转化为概率分布。其可以看作是arg max的平滑近似。

2.多层感知机

输入层输入数据，隐藏层处理数据（其中包含激活函数），输出层输出数据（其中包含激活函数）。

3.损失函数：

（1）被用对于神经网络模型的性能进行度量，其评价的是模型预测值与真实值之间的差异程度。

（2）不同的任务往往对应不同的损失函数，常用的包括：

交叉熵损失函数: 主要用于分类任务当中，如图像分类、行为识别等；

平方误差损失函数: 主要用于回归任务中。

4.反向传播算法（BP算法）

本质：对各连接权值的动态调整

（1）是一种按照误差逆向传播算法训练的多层前馈神经网络，具有高度的非线性映射能力。

（2）算法包括信号的前向传播和误差的反向传播。

即计算误差输出时，按从输入到输出的方向进行；

而调整权值和阈值时，按从输出到输入的方向进行。

（3）正向传播：输入信号通过隐藏层作用于输出结点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。

（4）误差的反向传播：将输出误差通过隐藏层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值w_ij的依据。

（5）优点：

很好的逼近特性。   具有较强的泛化能力。     具有较好的容错性。

（6）缺点：

 收敛速度慢。      局部极值。    难以确定隐层和隐层结点的数目。

（7） 层与层的连接是单向的，信息的传播是双向的。

5.梯度下降法：

（1）反向学习（BP）算法又叫梯度下降法，由于BP 神经网络权值参数的运算量过大，一般采用梯度下降法来实现。

（2）是一种迭代优化方法，每一步主要的操作是求解目标函数的梯度向量，将当前位置的负梯度方向作为搜索方向（因为在该方向上目标函数下降最快）。

（3）神经网络训练过程中，使用梯度下降技术来最小化代价函数。

（4）特点：越接近目标值，步长越小，下降速度越慢。

6.梯度消失

（1）其实就是斜率消失，在BP算法中使用链式法则进行连乘时，靠近输入层的参数梯度几乎为0，即几乎消失的情况。如sigmod。

（2）解决方法：

a.更换激活函数，如选择ReLU这种梯度不易饱和的函数；

b.调整神经网络的结构，减少神经网络的层数等。

7.梯度爆炸

（1）参数的初始化不合理，由于每层的梯度与其函数形式、参数、输入均有关系，当连乘的梯度均大于1时，就会造成底层参数的梯度过大。

（2）解决方法：

a.模型参数初始化

b.梯度裁剪

c.参数正则化

8.深度学习

（1）深层神经网络在神经元数目一定的情况下，相比于传统浅层神经网络来说，具有更强大的学习能力，能够从原始输入中自动提取出具有高度抽象含义的特征（即脑补能力极其nb）。

（2）是非监督的特征学习。

（3）与传统的区别：

9.卷积神经网络（重点）

人工智能已经学过考过，但仍是这学期还是重点，甚至题目都跟上学期一模一样，我的评价是XX，跟软件项目管理靠软件经济一样，没有提前做好教学规划。

（1）是深度神经网络中的一种，受生物视觉认知机制启发而来。

（2）原理很简单，就是用卷积核在样本矩阵上移动求出来一个新的矩阵：

就是对应位置相加再相乘，不会的可以看看后面的习题

（3）卷积核每次移动的单位，可设定为不同长度，称之为步长（stride）。

（4）丢失部分边界信息，为解决这些问题，通常会为原始数据填补上一圈或几圈元素，这一操作称之为填充（padding）。

（就是有的数据太少了，或者不够凑出来一个移动矩阵，就在周围补一圈0）

10.池化（Pooling）

（1）用于卷积之后，发现得出来的特征矩阵还是不太行之后。

（2）目的在于降低特征图的维度。

（3）池化需要一个池化核，池化核的概念类似于卷积核。

（4）所对应的池化操作分别称之为最大池化、最小池化和均值池化。

11.生成对抗网络

（1）包含两个部分：生成器G（Generator）和判别器D（Discriminator）。

（2）生成器G：从给定数据分布中进行随机采样并生成一张图片。

（3）判别器D：用来判断生成器生成的数据的真实性。

（4）例如：生成器负责生成一张鸟的图片，而判别器的作用就是判断这张生成的图片是否真的像鸟。

二、习题

单选题：

4、对神经网络（Neural Network）而言，下面哪一项对过拟合和欠拟合影响最大（ A ）。

A 隐藏层节点数量

B 初始权重

C 学习速率

D 每一次训练的输入个数

5、完成下图的卷积运算，即图像Image与滤波器Filter卷积获得Feature map，其中步长s=2，给出feature map值（C）。

6、下列不属于常见的池化方式的是（B）。

A 平均池化

B 随机池化

C 最小池化

D 最大池化

20. 关于反向传播算法的说法错误的是（C ）。

A、之所以称为反向传播是由于在深层神经网络中，需要通过链式法则将梯度逐层传递到底层。  

B、反向传播算法又叫做梯度下降法。  

C、函数值沿着梯度的方向下降最快。  

D、优化过程中容易出现梯度消失和梯度爆炸。

注意是负梯度方向

多选题：

5. 下列属于常用的激活函数的是（ABCD ）

A、ReLU  

B、Sigmoid  

C、Tanh  

D、Softmax  

判断题：

20. 卷积神经网络通常由多个输入层和一个输出层以及多个隐藏层组成。隐藏层包括卷积层、激活层、池化层以及全连接层等。（Í ）

通常由一个输入一个输出，多个隐藏

计算题：

1.完成下图的卷积和池化运算。

输入图像为5*5，卷积核3*3，步长为1，池化窗口2*2

求卷积后的特征图（5分）

对卷积后的特征图做最小池化运算，求最终特征图，（5分）

输入图像 5*5

1	0	1	2	3
0	1	2	1	0
2	3	0	1	0
0	1	2	0	1
1	0	1	2	1

卷积核 3*3, bias=0

1	0	1
0	1	0
1	0	1

解：（1）卷积结果：

比如这里的5就是红字的地方就是

1*1 + 0*0 + 1*1

+ 0*0 + 1*1 + 0*2

+ 2*1 + 3*0 + 0*1 = 5

然后8这个就是中间三列，那几个数和卷积核相乘再相加。

5	8	5
7	3	6
5	8	2

（2）池化结果

这里用的2*2（题目说了）的池化核，还说了最小池化法，就是选最小的就行，更简单，比如红字部分，最小的是3，所以第一个3就是这么来的，简单的一批。

3	3
3	2