深度学习第八天
神经网络实现全过程理论部分介绍：
1.数据输入：以Mnist数据集为例子：Mnist数据集是来自美国国家标准与技术研究所，National Institute of Standards and Technology(NIST).训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据.训练集共有60000张，测试集有10000张，图片是28*28的黑白（灰度）图片。
要想图片数据能够传入神经网络，我们首先需要reshape图片为（1，784）一维向量，每个特征数据对应一个权重参数w，构造线性回归函数y= wx + b ，使输入的数据成线性，利用最小二乘法求出这个线性方程。
说明：前期为了让我们输入的数据特征统一成一个量纲，使数据之间的分布均匀，有助于做网络训练时梯度下降的更加均匀，模型精度更高，收敛更好，提高收敛效率，我们对数据进行归一化处理，使数据分布在（0，1）之间。然后进行去均值，使得输入数据各个维度都中心化，不去均值会使数据容易拟合。在神经网络中，特征x比较大时，w*x +b的结果会很大，这样激活函数（relu）输出时，会使对应位置数值的变化量太小，进行反向传播时因为要使用这里的梯度进行计算，所以会导致梯度消失问题，导致参数改变量很小，易于拟合，效果不好。
2.数据传入第一层神经原：从神经元中输出的数据又需要进行激活处理，激活函数是使线性函数变成非线性，使神经网络表达能力更强。能够更好的区分数据。
3.数据输出：数据经过神经层处理后，也需要对数据进行处理，对输出数据进行分类，检测与标准值的差距。常见的函数有sigmoid，softmax，y=x。
4.计算损失函数（输出的数据与标签的差距）：（h-y）^2然后使用梯度下降法，改变w的取值，使损失值最小（趋于稳定），常见的优化算法有：BGD,SGD,MBGD等等优化器。
5.测试计算的结果：当找到最小loss时，我们的训练基本完成，接下来就需要使用测试集对自己得出的结果进行测试比对准确率了。
