零基础入门深度学习：感应器、线性单元和梯度下降

无论将要来临的是大数据时代还是人工智能时代，亦或是传统行业用于人工智能在云上处置大数据的时代，作为一个有理想有执着的程序员，不懂深度自学（DeepLearning）这个超热的技术，不会会感觉立刻就out了？现在救命稻草来了，《零基础入门深度自学》系列文章目的协助爱人编程的你从零基础超过入门级水平。　　零基础意味著你不必须过于多的数学知识，只要不会写出程序就行了，到底，这是专门为程序员写出的文章。虽然文中不会有很多公式你或许不懂，但同时也不会有更加多的代码，程序员的你一定能看懂的（我周围是一群疯狂的CleanCode程序员，所以我写出的代码也会很差）。　　1深度自学是啥　　在人工智能领域，有一个方法叫机器学习。

在机器学习这个方法里，有一类算法叫神经网络。神经网络如下图右图：　　上图中每个圆圈都是一个神经元，每条线回应神经元之间的相连。我们可以看见，上面的神经元被分为了多层，层与层之间的神经元有相连，而层内之间的神经元没相连。

最左边的层叫作输出层，这层负责管理接管输出数据；最右边的层叫输入层，我们可以从这层提供神经网络输入数据。输出层和输入层之间的层叫作隐蔽层。　　隐蔽层较为多（小于2）的神经网络叫作深度神经网络。而深度自学，就是用于深层架构（比如，深度神经网络）的机器学习方法。

　　那么深层网络和浅层网络比起有什么优势呢？非常简单来说深层网络需要表达力更加强劲。事实上，一个仅有一个隐蔽层的神经网络就能数值任何一个函数，但是它必须很多很多的神经元。

而深层网络用较少得多的神经元就能数值某种程度的函数。也就是为了数值一个函数，要么用于一个深而长的网络，要么用于一个浅而较宽的网络。

而后者往往更加节约资源。　　深层网络也有劣势，就是它不过于更容易训练。非常简单的说道，你必须大量的数据，很多的技巧才能训练好一个深层网络。这是个手艺活。

　　2感知器　　看见这里，如果你还是一头雾水，那也是很长时间的。为了解读神经网络，我们应当再行解读神经网络的构成单元神经元。神经元也叫作感知器。

感知器算法在上个世纪50-70年代很风行，也顺利解决问题了很多问题。并且，感知器算法也是非常简单的。

本文来源：银河优越-www.ermeland.com