神经网络，25个术语

从神经网络说起：深度学习初学者不可不知的25个术语和概念（上）

http://www.36dsj.com/archives/85406 

1，神经元；2，权重；3，偏置:用来改变输入的范围。4，激活函数f(x)：将输入信号翻译成输出信号。最常用的激活函数有Sigmoid、ReLU 和softmax。5，神经网络：训练神经网络，更新偏置值，目标是找到未知函数的一个近似值。6，输入层、输出层、隐含层，7，多层神经网络MLP，每一层上的神经元都和下一层上的神经元连接在一起，全互连网络(fully connected networks)；8，正向传播(forward propagation)。9，成本函数(损失函数)(cost function)：最小化成本函数，即为最优化输出。学习过程就是围绕着 如何最小化成本。10，梯度下降(gradient descent)：11，学习速率(learning rate)：学习率指每次迭代中 对成本函数的“最小化次数”。12，反向传播(back propagation)：一次迭代后，根据产生的结果计算出整个网络的偏差，然后用偏差结合“成本函数的梯度”，对“权重因子进行调整”，使得下次迭代的过程中偏差变小。这样一个结合 成本函数的梯度 来调整 权重因子 的过程就叫做反向传播。13，分批(batches)：当训练一个神经网路时，不应一次性发送全部输入信号，而应把输入信号随机分成几个大小相同的数据块发送。将数据分批发送，建立的模型会更具有一般性。14，周期(epochs)：一个周期表示对 所有的数据批次 都进行了一次迭代，包括一次正向传播和一次反向传播。往往周期数越高，模型的准确性就越高，但是耗时就越长，同样周期/纪元的次数过高，可能会出现“过拟合”的情况。。15，dropout方法，训练过程中隐藏的某些特定神经元会被忽略掉(drop)。16，分批标准化(batch normalization)，为了保证下一层网络得到的数据拥有合适的分布。因此在每一次数据传递前都需要对数据进行一次正则化处理。17，过滤器/滤波器(filters)，将一个权重矩阵乘以输入图像的一个部分，产生相应的卷积输出。18，卷积神经网络CNN(convolutional neural network)，卷积的过程。19，池化(pooling)：最大化池16->4->1,取最大值。20，补白(padding)，指给图像的边缘增加额外的空白，从而使得卷积后输出的图像跟输入图像在尺寸上一致，这也被称作相同补白(Same Padding)，21数据增强(data augmentation)：从已有数据中创造出新的数据，通过增加训练量以期望能够提高预测的准确率。通过“旋转”“照亮”的操作，训练数据的品质得到了提升，这种过程被称作数据增强 。22，递归神经元经由自己处理过的数据，会变成自身下一次的输入，这个过程进行t次。

23，递归神经网络(RNN,recurrent neural network)，常被用于处理序列化的数据，即前一项的输出 是用来预测下一项的输入。递归神经网络中存在环的结构，这些神经元上的环状结构使得它们能够存储之前的数据一段时间，从而使得能够预测输出。在RNN中隐含层的输出会作为下一次的输入，如此往复经历t次，再将输出的结果传递到下一层网络中。这样，最终输出的结果会更全面，而且之前训练的信息被保持的时间会更久。隐藏层将反向传递错误以更新权重。这被称为backpropagation through time (BPTT).

24，梯度消失问题，当激活函数的梯度非常小时，在反向传播过程中，权重因子会被多次乘以这些小的梯度。因此会越变越小，随着递归的深入趋于“消失”，出现梯度消失问题。这一问题可通过采用ReLu等没有小梯度的激活函数来有效避免。

25，梯度爆炸问题：激活函数的梯度过大，在反向传播过程中，部分节点的大梯度使得他们的权重变得非常大，从而削弱了其他节点对于结果的影响。这个问题可以通过截断(即设置一个梯度允许的最大值)的方式来有效避免。