本文主要是介绍前馈（向）网络之深度神经网络，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1.多层感知器（MLP，DNN）
模型：拥有一个输入层，一个输出层，加上隐藏层，每一层都是通过全连接来进行的！
ps：添加少量隐藏层叫做浅层神经网络，而增多隐藏层就是深度神经网络！
ps：每一层都进行了全连接，导致参数量比较大，模型比较复杂。
ps：全连接可以看成笛卡尔积，两者是一样的概念。
一个简单的神经网络模型：
可以理解为它是对线性的（输入层）输入，经过（隐藏层）非线性的变换，然后通过随机梯度下降（SGD）进行优化，不断的重复进行训练，最后得到输出（输出层），这样的一个过程。
2.神经网络之BP算法
介绍：复合函数的求导，就会出现乘积项，因为是一层反馈回一层进行优化参数的过程。
1.定义变量：
2.代价函数：
3.公式及其推导：
推文！https://blog.csdn.net/zhaozx19950803/article/details/80226525
3.总结一些问题
1.激活函数一定是非线性函数？
特征经过非线性变换是类似于特征组合的一个过程，因此神经网络本身就是一种可以特征自组合的一种模型。
ps：特征的自组合以及对结果的不断优化的过程，就是指神经网络。
2.对于图像视频这种特殊数据深层神经网络表达的更好，而一般的业务数据只需要两三层即可！
3.（随机）mini-batch梯度下降，size太大会在凸函数上表现的好，而在非凸函数会造成很容易陷入局部最优。而size太小会造成损失的震荡非常大，导致很难收敛。
ps：一般size是需要经过实验的要根据实际样本来选取，不能太大也不能太小！
这篇关于前馈（向）网络之深度神经网络的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
