神经网络基础知识

激励函数(activation function)

主要作用是提供网络的非线性建模能力。如果没有激励函数，那么该网络仅能够表达线性映射，此时即使有再多的隐藏层，其整个网络跟单层神经网络也是等价的。因此可以这么认为，只有加入了激励函数之后，深度神经网络才具备了分层的非线性映射学习能力。

性质：

1. 可微性： 当优化方法是基于梯度的时候，这个性质是必须的
2. 单调性： 当激励函数是单调的时候，单层网络能够保证是凸函数。
3. 输出值的范围： 当激励函数输出值是 有限 的时候，基于梯度的优化方法会更加稳定，因为特征的表示受有限权值的影响更显著；当激励函数的输出是 无限 的时候，模型的训练会更加高效，不过在这种情况下，一般需要更小的learning rate。

Sigmoid 函数

定义：
$f(x) = \frac{1}{1 + e^{-(\omega x+b)}}$f(x)=1+e−(ωx+b)1​
或者也可以写成
$z = \omega x + b, \; f(x) = \frac{1}{1 + e^{-z}}$z=ωx+b,f(x)=1+e−z1​

Tanh 函数

Tanh 函数也叫双曲正切函数，表达式如下：
$\tanh (x) = \frac{e^x - e^{-x}}{e^x+e^{-x}}$tanh(x)=ex+e−xex−e−x​

ReLU 函数

ReLU（rectified linear units），表达式如下：
$y = \max(x,0)$y=max(x,0)

Linear 函数

Linear 激励函数在实际应用中并不太多，因为如果网络中前面的线性层引入的是线性关系，后面的激励层还是线性关系，那么就会让网络没办法很好地拟合非线性特性的关系，从而发生严重的欠拟合现象。
函数表达式：
$f(x) = x$f(x)=x

---

神经网络

神经网络的结构

在一个神经网络中通常会分这样几层：输入层（input layer）、隐藏层（hidden layer，也叫隐含层）、输出层（output layer）。

1. 输入层在整个网络的最前端部分，直接接受输入的向量，它是不对数据做任何处理的，所以通常这一层是不计入层数的。
2. 隐藏层可以有一层或多层，现在比较深的网络有超过50层的，甚至在一些 “特殊” 的网络——例如深度残差网络中有超过150层的。
3. 输出层是最后一层，用来输出整个网络处理的值，这个值可能是一个分类向量值，也可能是一个类似线性回归那样产生的连续的值，也可能是别的复杂类型的值或者向量，根据不同的需求输出层的构造也不尽相同。