白話深度神經網路

近些年來，深度神經網路異常火爆，各種深度神經網路架構層出不窮。大有千樹萬樹梨花開，各領風騷數小時的趨勢！

但不管它結構如何改變，層數如何增加，始終離不開最基本的遊戲規則：1.承載計算的節點，2.允許資料流動的連線，3.可變化的節點權重

下面我就以自己理解的視角，向大家揭開深度神經網路神秘的面紗。

首先，自問自答幾個似乎哲學般存在的問題：

1.什麼是深度神經網路？

有很多治學嚴謹的學者或科學家會給出一堆定義（從模擬人類大腦開始，巴拉巴拉），不過我相信你看完會和我的感受一樣：到底什麼是深度神經網路，請明白人給一個直觀而感性的認識吧！求求你別饒了。

好！ 深度神經網路本質上是將輸入資料離散化，將複雜的最佳化目標透過分段凸最佳化的策略，最終實現總體目標最最佳化的過程。

faint？說好的無障礙呢？不能甩出一句莫名其妙的話，在這裡故弄玄虛呀？

2.什麼是資料離散化？

這個問題簡單：假設你輸入的資料是0-5的連續自然數，可是我的計算能力有限，所以我設定6個輸入節點（6次取樣），分別是0,1,2,3,4,5

這就是將連續的資料離散化……

3.什麼是凸最佳化？

這個問題也好說：就是將資料的分佈看作是凸函式（不用查了，顧名思義一切凸起來的東西都可以看作凸函式），然後求最凸的那個點！

[:-)不要想歪了了哦]

當然正式的數學定義要嚴謹的多，其實我覺得在創新的過程中，應該容忍一些不嚴謹，否則浪費大量時間在嚴謹的論證上得不償失。

4.怎麼分段凸最佳化？

透過隱藏層間節點的連線實現分段，而凸最佳化採取的策略，其實就是梯度下降。(表現在深度神經網路裡就是BP)

天哪嚕！拔出蘿蔔帶出泥！

好吧，

5.什麼是梯度下降？

想象一個小人站在半山腰，他朝哪個方向跨一步，可以使他距離谷底更近（位置更低），就朝這個方向前進，就是梯度下降

6.什麼是梯度？怎麼求解梯度？

簡單來說，梯度描述了誤差的變化趨勢，所以梯度可近似看作=Max(偏導數)

7.什麼是偏導數？

偏導數為兩次計算之間的斜率，用一個簡單的公式表示如下：

ok，到此為止，我們有了一個似乎自我感覺良好的完備解釋。

可是說好的白話呢？

------------------------------------------------------------------------------------------------

白話的故事從這裡開始，已經明白的讀者朋友可以忽略下文了，以免浪費大家時間：

假設，你是一名畫家，你想去描繪一張人臉，最常用的做法是怎麼做？

1.先畫輪廓；2.再逐步到五官；3.再逐步到五官上的細節；4.再逐步到皮膚紋理上色；

沒錯，其實深度學習也是這麼幹的，我們可以看看神經網路各層視覺化的效果：

看起來有點恐怖，不過我相信聰明的你看到此圖一定秒懂了。

理解還是有困難？我想主要思想應該沒有困難了，大多數人可能還是細節上的理解，可能需要沉澱一下

深度學習是一個聰明的“畫師”，他用自己有限的幾種“畫筆”，去描繪精彩的世界

------------------------------------------------------------------------------------------------

好了，胡說了一段故事之後，我們回到現實問題，暫時顧不上小白讀者了

這也就是為什麼對深度神經網路的訓練可以使用DBN，因為層數太多，分段最佳化的策略不一定湊效，總體函式不一定收斂。

這也就很好的解釋了DBN最佳化過程中，能量函式的設計為什麼那麼重要，因為首先這位“畫師”要畫好每一步的輪廓

所以，DBN的能量函式最好是凸函式，或者可以簡單看作有限的幾個凸函式疊加的結果，而DBN中RBM的層數不宜太多，RBM的最佳化目標必然是凸函式。

那麼深度神經網路是否還有最佳化的餘地呢？

當然可以：

1.畫師很窮，有時候也很任性，輸入層、隱藏層節點數量毫無道理的設定，想設幾個全憑感覺（OMG，可以小小鄙視下）

這裡筆者想到了使用PCA演算法來確定各隱藏層的節點數量，姑且叫這個還未誕生的架構為深度PCA網路吧

2.畫師也很有耐心，有時候這種堅持反而是一種固執，隱藏層數量多少全憑最終效果，可是天殺的資料集是有好有壞的，這種非要加工多少層的做法不僅固執，而且相當愚蠢，包 子鋪老闆坐不住了，我做個包 子還要上百道甚至上千道工序，殺了我吧（OMG，再鄙視下）

這裡筆者想到隱藏層不要固定的做法，而是動態增加，姑且叫做dynamic hidden layer特 性 吧

好了，今天行文有點太顛狂了，有修養的你就當我是胡說八道吧！

如果本文中的一些思路能給你帶來一些亮點和啟發或由此發表論文，都請不吝告知！希望能與各位網友廣泛交流！繼續深度的學習深度學習