神经网络
自2012年CNN的imagenet 上的突破，以神经网络网络为基础的深度学习开始风靡学界和工业界。我们来看一张图片，关于google 内部深度学习项目的数量。而且应用领域极广，从Android 到 药品发现，到youtube。
我们从一起回顾下神经网络的额前世今生：
• 1958: Perceptron (linear model)
• 1969: Perceptron has limitation
• 1980s: Multi-layer perceptron
• Do not have significant difference from DNN today
• 1986: Backpropagation
• Usually more than 3 hidden layers is not helpful
• 1989: 1 hidden layer is “good enough”, why deep?
• 2006: RBM initialization (breakthrough)
• 2009: GPU
• 2011: Start to be popular in speech recognition
• 2012: win ILSVRC image competition
深度学习是机器学习的一个分支，目前讲是最重要的一个分支。 怎么学好深度学些呢？
其实还是关键的三步：
1. 选择神经网络
2. 定义神经网络的好坏
3. 选择最好的参数集合
以下是神经网络的示意图：
所有的 θ 和 b 都在神经元内
1. 全连接网络（Fully Connection）
2. 深度网络 DEEP
深度 = 很多层
那么有人就会问：
* 到底多少层深度合适？每层多个神经元？
答：这个看经验和实验的结果，不断调整。
* 结构能被自动设定吗？
答：可以通过进化网络实现。
* 我们能自己设计网络结构吗？
答： CNN 就是设计出来的网络结构。
3. 定义神经网络的好坏Loss
我们以minist 数字识别为例，一组数字识别为例
4. 选择最好的神经网络（找到参数集）
核心方法：
* Gradient Descent
* BackPropagation
深度学习基本知识点了解到了，但是为什么越Deep，效果会越好？ 以前都是做类比思考，比如电路模型，但是近期的lpaper上在理论上有严格的证明，我们后续博客会介绍
