深度学习的基本概念 深度学习做了什么样的一件事 在开始学习之前，我们首先要理解深度学习究竟要解决什么问题。 深度学习的核心目标是建立从输入到输出的复杂映射关系。比如一张猫的图片，人眼很容易区分图片中是否存在猫，但是对于计算机而言就不是那么容易了，我们需要找到一个映射关系$f(x)$，去让计算机通过这个关系来判断是否存在猫。 一旦找到这个准确的映射关系，计算机就能用它对新的图片进行自动判断。 简单神经网络 线性与非线性 最简单的数学变换是线性变换：$f(x)=wx+b$。 然而，现实世界中的大多数问题（如图像识别、语音处理）都是高度非线性的。单一线性变换无法捕捉这些复杂模式。这时就需要引入激活函数的概念，它的核心作用是将线性变换转换为非线性变换。不必担心激活函数会过于复杂，实践中使用的激活函数通常形式简洁且效果显著。 常用的激活函数： Sigmoid函数，将输出压缩到(0,1)区间：$$\sigma(z)=\dfrac{1}{1+e^{-z}} $$ 整流线性单元，计算简单，能有效缓解梯度消失：$$ReLU(z)=max(0,z)$$ 从单输入到多输入 基础模型通常考虑单一 ...