001深度学习基础知识
- 目标检测
- 关键点定位
- 活体检测
- 相似性度量
- 人脸属性回归
深度学习基础知识
发展历程
人工神经网概念—>感知器模型—>多层感知器模型—>反向传播算法—>卷积神经网络—>深度学习—>AlexNet
感知器
第一个具有完整算法描述的神经网络学习算法（称为感知器学习算法：PLA）
任何线性分类或线性回归问题都可以用感知器来解决
- 分类：预测结果为离散值
- 回归：预测结果为连续值
人工神经网络可以看成多个单层感知器的组合。
多层感知机（MLP，Multilayer Perception）即为人工神经网络（ANN，Artificial Neural Network）。
深度学习：多隐层的多层感知器
组合：神经元—>感知器—>神经网络—>深度学习
多层感知器—>神经网络
多隐层的多层感知器—>深度学习
人工神经网络
人工神经网络是机器学习的一种方法，机器学习是解决人工智能领域各种问题的一种常见技术，代表技术是深度学习
人工神经网络是网络的概念，神经元有层次关系，包含输入层、输出层、隐藏层
定义好输入层的内容和相应的运算方式，我们就可以得到隐藏层的结点值；同理，定义好隐藏层的内容和相应的运算方式，我们就可以得到输出层的结点值
前向运算
在拿到深度学习网络结构之后，会利用这个网络结构来完成所设定好的一些任务，如分类任务，如果当前网络结构输出结果是一个类别的概率分布信息，那么给定输入，经过网络运算得到最终输出的过程即是前向运算的过程。
前向运算能够告诉我们怎么样去使用当前的网络结构，在使用当前网络运算进行逻辑运算、逻辑推理的时候，前提是网络结构已知，即网络的构造已知（卷积层，或池化层），网络结构内部的参数已知，这样才能进行运算，获取这些参数的过程就是反向传播的过程，通过反向传播，学到具体参数的值，学习的过程也是有监督的学习过程。根据给定样本和样本标签（人工标注），有监督地学习网络结构内部的参数。
有标签：有监督
无标签：无监督
有的有标签，有的没有标签：半监督
前向运算：利用网络结构计算输出值的过程为前向传播（函数映射，参数利用反向传播计算）
反向传播
Backpropagation，BP算法
反向传播是神经网络（参数模型）训练方法，，训练时需要有标签的数据，网络通常先人为定义好（网络结构已知），再确定好数据。反向传播能计算参数值，通过计算输出层结果与真实值之间的偏差来进行逐层（梯度下降）调节参数。
神经网络=网络结构（层）+参数
神经网络参数训练是一个不断迭代的过程。
训练过程：注意网络结构已知，然后完成不断循环迭代的过程。首先初始化神经网络中针对网络结构对应的参数值，初始化之后就有了网络结构和网络参数，利用当前网络进行前向运算，对给定的数据x和相应标签y，把数据x进行前向运算会得到输出结果y‘，y’和真实标签y会存在差别，这个差别定义为loss，F(y,y’)的形式，在计算loss之后，利用loss进行反向传播，对神经网络参数进行调节，调节的过程时梯度下降，通过对参数进行优化，使得y‘和y的loss达到最小，这样就得到了最优解，即最优的参数组合，这个参数就是神经网络要用到的参数。
反向传播过程参数的优化：参数更新即为参数优化（迭代）的问题，利用导数和学习率完成梯度下降的过程。
优化函数（loss最小）min||WX—Y||^2：对应的W为需要优化的参数，X为样本数据，Y是X对应的样本标签，利用这样的样本完成参数优化的过程称为有监督学习（训练）的过程。利用映射函数F(WX)得到输出值y。利用求导得到闭形式，这里对w进行求导，因为要求解的优化函数是关于w的优化函数，w为参数项，X，Y为已知项，令导数为0，可以求接出关于w=f(X,Y)的表达式，求解出W。
也可以采用梯度下降的方法，求解参数W的过程为参数优化的过程，神经网络将WX的运算变为更加复杂的运算。
（导数，方向导数，偏导的概念）
梯度
梯度：函数在某点处无数个变化方向中变化最快的那个方向
一元求导数，多元求偏导数，高维是向量
梯度下降算法
沿着导数下降的算法，进行参数更新，要选择合适的步长/学习率，否则易引起值震荡。
值震荡：始终找不到最优解
调整学习率，保证学习过程是单调过程，易找到最优解。初始时a大，如0.01，收敛快，寻找最优解快，迭代时逐步调整a的值，逐渐减小
局部最优解
导数为0的点，极大值或极小值，梯度下降陷入局部最优的问题（非凸函数）
最小值：梯度下降
最大值：梯度上升
常见的深度学习模型
- 卷积神经网（CNN）
- 循环神经网（RNN）
- 自动编码机
- ……