第一周PPT 下载密码:w5vv
吴恩达深度学习专项课程共分为五个部分，本篇博客将介绍第一部分神经网络和深度学习专项的第一周课程：深度学习概论。本周内容比较简单，大多是一些介绍性的内容。通过本周的学习，你将会了解什么是神经网络？用神经网络进行监督学习以及为什么深度学习会兴起？
目录
1.什么是神经网络？
首先看一个非常熟悉的房价预测的例子，训练集的输入特征只有面积，输出是房价，可视化该训练集如下图所示：
如果用之前学习的线性回归算法，很显然会想到用一条直线来拟合该训练集。但是，房价是没有负值的，这时可以用上图中的曲线来拟合，该曲线在面积小于0时恒为0，这样就构成了一个最简单的单神经元结构：
输入特征为房子面积，输出为房价，中间为隐藏神经元，该神经元对输入特征完成线性运算并修正小于0的输入为0.实际上，该神经元使用的是ReLU（修正线性单元，修正小于0的输入为0），之后我们会经常使用ReLU，它的图像如下：
以上是一个最简单的单神经元结构，复杂的神经网络结构是由这些简单神经网络结构组合而成，像乐高积木一样。
接下来看一个稍微复杂一些的神经网络，首先为训练集增加3个输入特征，包括卧室数量、地区邮编以及地区富裕程度。此时输入层有4个特征，输出层为房价，隐藏层设置3个隐藏单元（可变），神经网络结构如下：
注意各层之间的单元采用全联接的方式，神经网络的强大之处在于它能在标记训练集上，得到清晰的输入和输出之间的映射关系。
2.用神经网络进行监督学习
神经网络在监督学习问题上起到了很好的效果，以下列举了一些神经网络在监督学习问题上的一些应用：
针对不同的应用会使用不同的神经网络结构，如房价预测和广告点击预测一般使用标准神经网络结构（全联接网络）；图像问题一般使用CNN（卷积神经网络结构）；对于文本（单词序列）和语音（时间序列）这种序列数据一般使用RNN（循环神经网络）；而对于无人驾驶这种复杂的应用，一般使用混合神经网络结构。
- 神经网络常见结构
CNN一般用于处理图像数据，RNN一般处理一维序列数据。在之后的课程中我们会详细学习这3种神经网络结构的原理并尝试实现它们。
- 结构化数据和非结构化数据
结构化数据：输入特征有非常清晰明确的定义，如房价预测（房子的面积和卧室数量等特征定义明确）和广告点击预测（用户年龄有清晰的定义）：
非结构化数据：如音频、图像和文本，输入特征没有明确的定义，对于图像来说每个像素点可能是一个输入特征：
人类生来就有理解非结构化数据的能力，但对于计算机来说非常困难，但神经网络和深度学习的出现，使得计算机对非结构化数据的理解有了重大突破。
3.为什么深度学习会兴起？
神经网络和深度学习的一些概念早在几十年前就有了，为什么深度学习会在近几年兴起呢？本小节将探讨一下这个问题。
- 规模驱动了深度学习的发展
数据层面：
上图的横轴代表标记数据集的规模（用m表示），纵轴代表算法的性能。
对于传统的学习算法（SVM，逻辑回归等），当数据集规模在一定范围内增大时，他们的性能是不断提高的，但是超过了某个数据规模，算法性能趋于平坦，此时继续增大数据量是没有意义的。
而对于神经网络来说，增大数据规模，他的性能是可以逐渐提高，对于大型的神经网络来说更明显。当你有海量的数据时，使用大规模神经网络，往往可以取得惊人的效果。
现在我们处于大数据的时代，可以轻松的获得海量的数据，这种数据规模远远超过了传统学习算法发挥作用的范围，此时需要使用神经网络结构来充分发挥海量数据的作用。
当数据集的规模较小时，这些学习算法的性能优劣是不确定的，这取决于算法设计的细节和手工设计组件的技巧，此时传统的学习算法如SVM和有可能比神经网络表现要好；当数据集规模非常大时，神经网络算法就可以稳定的领先传统的学习算法。
所以，我们说是规模驱动了深度学习的发展，这里的规模指的是数据规模和网络规模。
计算力层面：
GPU的出现，加快了神经网络算法的训练速度，使训练一个大型网络不再困难。
算法层面：
神经网络算法的改进和创新，归根结底体现在计算力上，加快了神经网络的训练。
最简单的算法改进的例子就是把sigmoid激活函数转变为ReLU激活函数：
对于sigmoid的激活函数来说，当输入很大或很小时，梯度将会趋近于0，此时使用梯度下降法更新参数会非常慢，网络训练速度也会非常慢；而改进为ReLU激活函数后，对于正输入，他的梯度恒为1，不会出现梯度趋于0的问题，可以加快网络的训练速度。
- 深度学习问题的迭代过程
对于一个具体的应用问题，使用深度学习方法来解决时。迭代过程如上图所示，首先有一个初步的想法，然后编程实现，通过实验的效果来评价模型的性能，进而改进想法和神经网络结构...以此不断循环迭代，直到设计出一个合适的、性能优良的神经网络结构。
而计算力和算法的进步，可以极大的缩短上述迭代的周期，加速神经网络的训练速度，从而使深度学习更好更快的发展。