- CNN：具有强大的提取局部特征的能力
- dropout：防止过拟合（drop 层内的一些 neurons）；
- residual learning，是跳过某一些 layer
- 加快模型的训练速度；
- softmax（全连接）：多分类任务
0. deep learning
- high-level abstractions in data
- deep graph with multiple processing layers
- composed of multiple linear & non-linear transformations
1. Vanishing Gradient（梯度消失）
- Greedy Layer-wised Pretraining（贪婪逐层预训练）和有监督调优训练，
- Hinton 和他的学生 Salakhutdinov
- G. E. Hinton and R. R. Salakhutdinov,”Reducing the dimensionality of data with neural networks,” Science, vol. 313, pp. 504-507, 2006.
2. auto-encoder
一种 compressed representation，压缩表示；
本身的架构 autoencoder 包括，encoder 和 decoder。
autoencoder（input, output）
- encoder(input, encoded)
- decoder()
input train input，以实现一种无监督的方式；
- auto，自，是和 无监督相对应的；
其主要的特点在于（大量的学习）：
- data-specific，数据依赖；
- lossy，有损耗的，失真，
- learn from examples，如果是用 face 来 train，它可能会对 face 的压缩比较好；
后因为有一些新的算法的出现，取代了 auto-encoder 在模型预训练上的使命，使其主要应用在：
- 数据降噪；
- 数据降维；
3. 从 AE 到 SDA
SDA 的两大优势在于：
- nonlinearity：非线性性；
h(⋅)
- deep；
- stacking of multiple layers；
