使用深度学习技术的三大主要步骤（下）

深度神经需要特殊的训练技巧

随着层数变多，网络参数增多，随之运算量增大，通常都是超过亿万级的计算。对于这样复杂的结构，我们一定不会一个一个的计算，对于亿万级的计算，使用loop循环效率很低。

网络的运算过程如图所示：

上图中，网络的运算过程可看作是矩阵的运算。

网络的计算方法就像是嵌套，所以整个神经网络运算就相当于一连串的矩阵运算。

从结构上看每一层的计算都是一样的，也就是用计算机进行并行矩阵运算。这样写成矩阵运算的好处是，你可以使用GPU加速，GPU核心多，可以并行做大量的矩阵运算。

神经网络的本质：通过隐藏层进行特征转换

隐藏层可以看作是对网络输入层输入特征进行特征处理，在最后一层隐藏层进行输出，这时的输出可以看作一组全新的特征，将其输出给输出层，输出层对这组全新的特征进行分类。

举例：手写数字识别

举一个手写数字体识别的例子：

输入：一个16*16=256维的向量，每个pixel对应一个dimension，有颜色用（ink）用1表示，没有颜色（no ink）用0表示，将图片展平为一个256维的向量作为网络输入。

输出：10个维度，每个维度代表一个数字的置信度（可理解为是该数字的概率有多大）

从输出结果来看，每一个维度对应输出一个数字，代表模型输出为当前分类数字的概率。说明这张图片是2的可能性就是最大的。

在这个问题中，唯一确定的就是，输入是256维的向量，输出是10维的向量，我们所需要找的函数就是输入和输出之间的神经网络这个函数。

从上图看神经网络的结构决定了函数集（function set），通常来讲函数集中的函数越多越复杂，网络的表达空间就越大，越能handle复杂的模式，所以说网络结构（network structured）很关键。

接下来有几个问题：

• 多少层？每层有多少神经元？这个问我们需要用尝试加上直觉的方法来进行调试。对于有些机器学习相关的问题，我们一般用特征工程来提取特征，但是对于深度学习，我们只需要设计神经网络模型来进行就可以了。对于语音识别和影像识别，深度学习是个好的方法，因为特征工程提取特征并不容易。
• 结构可以自动确定吗？有很多设计方法可以让机器自动找到神经网络的结构的，比如进化人工神经网络（Evolutionary Artificial Neural Networks）但是这些方法并不是很普及 。
• 我们可以设计网络结构吗？可以的，比如 CNN卷积神经网络（Convolutional Neural Network ）

Step2：模型评估

损失示例

对于模型的评估，我们一般采用损失函数来反应模型的优劣，所以对于神经网络来说，我们可以采用交叉熵（cross entropy）函数来对