深い学習のための3つのステップ
- ステップ1：ニューラルネットワーク（ニューラルネットワーク）
- ステップ2：モデル評価（機能の良さ）
- ステップ3：最高の機能を選択します（最高の機能を選択してください）
神経網
手動で接続ニューロン
例えば：* 1 +（ - 1）*（ - 2）+ = 4 1 /（1 + E ^（ - 4））1 = 0.98
異なるパラメータは、関数であります
異なるモデルの層数
行列演算は、ネットワーク構造によって表されます
Xは、複雑な演算を介して入力xの最後のセットで抽出された特徴を
エッセンス：変換機能によって隠された層
手書き数字認識の例
あなたは質問をすることもできます
その後、いくつかの質問があります。
どのように多くの層？どのように多くのニューロン各フロアの？
私たちは、直感的な方法でデバッグを追加しようとする必要があります。いくつかの機械学習関連の問題については、我々は一般的に使用フィーチャー・プロジェクトを抽出機能にはなく、学習の深さのために、
我々はそれにニューラルネットワークモデルを設計する必要があります。音声認識や画像認識のために、深い学習が、良い方法では容易ではありません特徴抽出機能が動作しますので。
構造は、それを自動的に決定することができますか？
そこに自動的に設計されたマシンは、このような人工ニューラルネットワークの進化として、ニューラルネットワーク、（進化人工ニューラルネットワーク）の構造を見つけるようにする多くの方法があるが、これらの方法は非常に人気がありません。
私たちは、ネットワーク構造を設計することができますか？
はい、そのようCNNなどの畳み込みニューラルネットワーク（畳み込みニューラルネットワーク）
对于模型的评估，我们一般采用损失函数来反应模型的好差，所以对于神经网络来说，我们采用交叉熵（cross entropy）函数来对y和y^的损失进行计算，
接下来我们就是调整参数，让交叉熵越小越好。
对于所有训练数据的loss
利用梯度下降来最小化total loss
方向传播进行梯度下降
越深越好？
普遍性定理
