神经网络

 通俗地说，异或门就是：两个输入如果是异性恋，输出为一。两个输入如果是同性恋，输出为零。

1 感知器：

2 分布式表征 (Distributed Representation)，是神经网络研究的一个核心思想。

它的意思是，当你表达一个概念的时候，不是用单个神经元一对一地存储定义；概念和神经元是多对多的关系：一个概念可以用多个神经元共同定义表达，同时一个神经元也可以参与多个不同概念的表达。

3 反向传播算法，通过在神经网络里增加一个所谓隐层 (hidden layer)，同时也解决了感知器无法解决异或门 (XOR gate) 的难题。

4 除了基本的线性分类外，在数据样本线性不可分的时候，SVM 使用所谓 "核机制" (kernel trick) 的非线性映射算法，将线性不可分的样本转化到高维特征空间 (high-dimensional feature space)，使其线性可分。

5 GPU 的主要任务，是要在最短时间内显示上百万、千万甚至更多的像素。这在电脑游戏中是最核心的需求。这个计算工作的核心特点，是要同时并行处理海量的数据。

6 2007年 Nvidia 推出名叫 CUDA 的并行计算软件开发接口，使开发者可以更方便的使用其 GPU 开发应用软件。

7 传统神经网络的反向传播算法，捉虫时极为困难，一个根本的问题叫做所谓 vanishing gradient problem (梯度消失问题)。

简单的说， 就是成本函数 (cost function) 从输出层反向传播时， 每经过一层,梯度衰减速度极快， 学习速度变得极慢，神经网络很容易停滞于局部最优解而无法自拔。

这就像原始部落的小混混，山中无老虎时，在本地称王称霸很舒服。 但任何关于"外面的世界很精彩"的信息，在落后的层层传播机制中被噪音混淆淹没了。

小混混一辈子很开心， 没有意识到外面的世界有多大， 也从未想出去多看看。

8 加拿大先进研究院 (Canadan Institue oF Advanced Research, 简称 CIFAR) 深度学习" (Deep Learning)

9 2006年，Hinton 和合作者发表论文，"A fast algorithm for deep belief nets" (深信度网络的一种快速算法)。

在这篇论文里，Hinton 在算法上的核心，是借用了统计力学里的"玻尔兹曼分布"的概念 (一个微粒在某个状态的几率，和那个状态的能量的指数成反比，和它的温度的倒数之指数成反比)，使用所谓的"限制玻尔兹曼机" (RBM) 来学习。

RBM 相当于一个两层网络，同一层神经元之间不可连接 (所以叫 "限制")，可以对神经网络实现 “没有监督的训练”(unsupervised training)。深信度网络就是几层 RBM 叠加在一起。

略掉技术细节，RBM 可以从输入数据中进行预先训练，自己寻找发现重要的特征，对神经网络连接的权重进行有效的初始化。这属于一种叫做特征提取器 （feature extractor）的神经网络，也称自动编码器 （autoencoder）。

经过 RBM 预先训练初始化后的神经网络，再用反向传播算法微调,效果就好多了。

10 RELU 的优势还有下面三点：

   传统的激励函数,计算时要用指数或者三角函数,计算量要比简单的 RELU 至少高两个数量级.

    RELU 的导数是常数, 非零即一, 不存在传统激励函数在反向传播计算中的"梯度消失问题".

    由于统计上,约一半的神经元在计算过程中输出为零,使用 RELU 的模型计算效率更高,而且自然而然的形成了所谓 "稀疏表征" (sparse representation), 用少量的神经元可以高效, 灵活,稳健地表达抽象复杂的概念

11 神经网络计算，另一个常为人诟病的问题，是过度拟合（overfitting）。一个拥有大量自由参数的模型，很容易通过调试,和训练数据吻合。但这并不意味着，这就是个好模型。

一个模型好坏的试金石，不在于和现有数据的拟合度， 而在于它是否可以在全新的情况和数据面前，做出正确的判断和预测

金融界的人常会看到各种交易模型，许多模型面对历史数据的测试时，表现非常好，胜率极高。但是如果投资者天真地以为找到了致富的捷径，把模型用于实际交易时，结果往往差强人意。

12  

2012年 七月， Hinton 教授发表论文， "通过阻止特征检测器的共同作用来改进神经网络" （Improving neural networks by preventing co-adaptation of feature detectors）。

论文中为了解决过度拟合的问题，采用了一种新的称为"丢弃" （Dropout）的算法。

读自：http://www.cnblogs.com/tsiangleo/p/5450466.html