这里省略了深层神经网络的前向传播和反向传播，内容和之前相似，不做过多描述。若今后需要，可以再补习。
一、为什么使用深层表示
解决问题时其实并不需要很大的神经网络，但是得有深度，得有比较多的隐藏层。这是为什么呢？如下图，人脸识别神经网络所示：
当输入一张脸部的照片，你可以把深度神经网络的第一层，当成一个特征探测器或者边缘探测器。在这个例子里，我会在第一个隐藏层中建大概20个隐藏单元。隐藏单元就是这些图里这些小方块（第一个隐藏层可视化图），举个例子，这个小方块（第一行第一列）就是一个隐藏单元，它会去找这张照片里“|”边缘的方向。那么这个隐藏单元（第四行第四列），可能是在找（“—”）水平向的边缘。你可以先把神经网络的第一层当作看图，然后去找这张照片的各个边缘。我们可以把照片里组成边缘的像素放在一起看，然后它可以把被探测到的边缘组合成面部的不同部分（第二隐藏层可视图）。比如说，可能有一个神经元会去找眼睛的部分，另外还有别的在找鼻子的部分，然后把这许多的边缘结合在一起，就可以开始检测人脸的不同部分。最后再把这些部分放在一起，比如鼻子眼睛下巴，就可以识别或是探测不同的人脸（第三隐藏层的可视化图）。
你可以直觉上把这种神经网络的前几层当作探测简单的函数，比如边缘，之后把它们跟后几层结合在一起，那么总体上就能学习更多复杂的函数。这些图的意义，我们在学习卷积神经网络的时候再深入了解。还有一个技术性的细节需要理解的是，边缘探测器其实相对来说都是针对照片中非常小块的面积。面部探测器就会针对于大一些的区域。但是主要的概念是，一般你会从比较小的细节入手，比如边缘，然后再一步步到更大更复杂的区域，比如一只眼睛或是一个鼻子，再把眼睛鼻子装一块组成更复杂的部分。
1.1 深度神经网络的特点
1.2 深度神经网络的前向反向传播
二、参数和超参数
2.1 如何寻找超参数的最优值
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
