时间：2021/01/08
好不容易完成了考研初试，又来了论文。。。。呜呜，我选的题目是基于深度学习的图像语义分割，是神经网络在图像语义分割方面的一个应用。由于之前完全没接触过深度学习，所以刚看老师发的论文时一脸懵逼，就去b站搜了吴恩达大神早期录的神经网络的课程，课程链接如下：https://www.bilibili.com/video/BV164411m79z。果然，人活着就要学习。
先夸一下吴恩达老师的课，通俗易懂，有点太详细了，很适合刚入门的小白。下面就是本篇的正题了，关于自己看了视频后对于一些概念的理解，由于刚入门，可能理解的不够深入，有问题欢迎在评论区指正。
先上一个深度学习方面经典的图片：
上面是一个最简单的神经网络模型，一共有三层（有时也可以说两层，因为输入层一般被称为第0层，可以不计入其中）。对于一个神经网络而言，可以分为两个过程，第一个是训练，第二个是预测。
这里先说一下两者之间的区别：首先是训练，从上图中可以看出，该神经网络中每一条线都有一个参数，如w[i]和b[i]，在神经网络中，我们开始并不知道每个参数应该是什么值最为合适，所以需要通过训练数据来进行学习，进而得到参数合适的值。这里提到的训练数据是人工处理过的数据，与预测数据相比，它不仅含有输入变量x的值，而且还有输出变量y的真值。在进行训练时，先通过输入输入变量x进行正向传播，得到输出变量y的预测值。然后通过定义一个损失函数来计算输出变量y的预测值和真值之间差距，对于不同的神经网络而言，采取的损失函数也是不同的。进行完正向传播后，接下来是反向传播过程，反向传播中一般使用的是梯度下降法，当然不同的模型也可以不同，这里以吴恩达老师课上所讲的为例。梯度下降法从weizhi损失函数开始，及从最后开始，求损失函数对前面变量的导数，进而对参数进行不断地调整，直到达到指定的迭代次数或者达到指定误差范围为止。这样得到的参数即为最终的参数，也就完成了模型的训练。在我目前的理解中，训练模型就是对神经网络中的参数进行优化的过程。
之后是预测，预测时使用的是预测数据，与训练数据不同，预测数据中只有输入变量x的值，而输出变量的值则是需要通过神经网络进行求解的。预测过程也就是一个正向传播的过程。
大家可以能还对隐藏层和输出层中分为两个部分有疑惑，这是因为由于现实中的问题大多都是非线性的，以中间的隐藏层为例，如果该神经节点只包含前半部分z，这只是一个线性变换，很难解决实际问题中的非线性问题，所以在进行线性变换求出z后还要使用一个非线性的激活函数（在某些特殊的情况下可能也会使用线性的激活函数，这是少数情况，这里不进行讨论），常见的激活函数大家可以自行百度，对于复杂的神经网络而言，它可能含有多层神经节点，每层神经节点使用的激活函数可以不同。
对于代码实践，这里推荐一个大佬的博文，他实现的是吴恩达老师课程的课后作业，讲解的很详细：https://blog.csdn.net/u013733326/article/details/79639509
补一张图：
上面这幅图比较好的展示了正向传播和反向传播的过程。
在实际操作中，很多bug是由于矩阵维数不一致造成的，上图红框中是一个样本在正向传播过程中的维度公式，黄框中是对于m个样本在正向传播过程中的维度公式。
这里放一些自己认为有助于理解神经网络的好的文章：
1.https://zhuanlan.zhihu.com/p/65472471 这篇文章通俗易懂的讲解了神经网络的基本过程，适合不理解神经网络的基本过程的小白
2021应该是元气满满的一年，希望不负努力。