前言（）：
{
之前对神经网络有初步的了解（在学图论的时候），一直想跟着一本书系统的了解一下，现在看到了这本书，就决定仔细研读一下。
第0章虽然涉及了不少东西，但因为是第0章，我就把我认为的重点记下来，缩成了一篇，以后遇到再细分吧。
}
正文（）：
{
首先介绍了什么是神经网络，并且引入了一些术语。
神经网络（初步了解）：
{
就像书中说的那样，神经网络是一个有向图，并且有一下性质：
1，每个边都有一个权值（一般在公式中以w表示），经过某条边的刺激（电压，或数据）都要被乘以这条边的权值。
2，结点通用一个激活函数（我现在看到的单个神经网络中所有结点都只用一个激活函数）和一个偏置（一般在公式中以b表示），函数的输入为结点的所有输入和其偏置的总合，函数的输入为结点的每个输出。
举个例子：
其中e1的权值w1为0.4，e2的权值w2为0.5，N的偏置b为-0.3（神经网络里的各种值都是在-1到1之间，所以要把输入也缩小到这之间），并且激活函数如下：
上图是一种阈值函数，叫Heaviside函数；目前还学到了另一种阈值函数，sigmoid函数：
还有一种有意思的模型，函数的输出值为结点输出1的概率，其数学期望是一样的（有没有数学期望是一样的其他非二项分布的概率模型呢？{问题1}）。
卷积神经网络（初步猜测）：
{
先说卷积。我先看了百度百科，上面有一句话“概率论中，两个统计独立变量X与Y的和的概率密度函数是X与Y的概率密度函数的卷积”。通过这句话我就对卷积有了初步的了解。
首先打个比方，我现在手上有2个骰子，我想算一算扔出骰子总点数的为6的概率，那么最直接的方法就是算一下每种可能，设骰子A为x的概率为Pa（x），骰子B的概率为Pb（x）（如果是均匀的骰子，那这就是常数1/6），如下（箭头表示从小到大的顺序）：
这种Pa（n）*Pb（6-n）的形式乘积先称之为“卷”。
“积”先理解成积分，对于离散的情况就是全部加到一起：
这也就是骰子总点数的为6的概率。
以此类推，骰子总点数的为x的概率P（x）为：
那么，可以这样说：“概率论中，两个统计独立变量X与Y的和的概率质量函数是X与Y的概率质量函数的卷积”
卷积先到此为止，之后我可能会开一个新文专门记录卷积。
关于卷积网络，书中有一句总结：
上面说的其实很好理解，就是两层之间不完全连接，并且存在共享的权值。那么，如果只满足其中部分条件是不是卷积网络呢？{问题2}
还有个问题，卷积网络里怎么理解卷积二字呢？或者说哪里有“从小到大”乘以“从大到小”再加到一起的结构？{问题3}
}
}
信号流图（简单描述）：
一种信号流的表达方式，比较容易理解。
误差曲面（简单描述）：
是一个函数，书上只提到是关于自由参数的，即E=f（w1, w2, … b1, b2, …），应该是像一个字典一样的东西。
学习（两种学习模式）：
{
一般说让神经网络学习就是改变其中的权值和偏置，所以这两个又叫自由参数，而且偏置也可以当作一个权值，即它的输入端连接着一个虚拟的1输出。
即学习就是根据输出的误差来修改自由参数。
有教师学习（简单描述）：
就是由另一部分（比如说人）根据其对外界的改造来判定输出的误差。这也是我目前见到最多的一种，我之前还参加过腾讯翻译君的训练，和谷歌翻译的让你选择差不多，我想应该就起教师作用吧。
无教师学习（分两种）：
{
强化学习（）：
目前还是没明白，里面所谓的评价系统不就是教师吗？
无监督学习（）：
我叫它唯心主义学习法。这种学习主要在乎其对外界的理解，而不是外界本身的意义。用那谁的话说，反正都是抽象的数。
}
}
}
结语（）：
{
先到这里吧，其实还有很多不明白的，不过因为是第0章，就先不全都在这写了。之后的章节就会细究。
}