要了解深度学习，首先必须了解“深度学习”的前身：神经网络与神经元的概念。

　　关于神经网络与深度学习的概念和区别，我在“机器学习(一)”那篇文章已经展现就不赘述了。

　　深度学习可以说是目前“人工智能浪潮”火热的一个根本原因，就是因为它的兴起，其中包括深度神经网络、循环神经网络和卷积神经网络的突破，让语音识别、自然语言处理和计算机视觉等基础技术突破以前的瓶颈。而要了解深度学习，就必须首先了解“深度学习”的前身，神经网络与神经元的概念。

　　一、神经元的构成

　　神经元可以说是深度学习中最基本的单位元素，几乎所有深度学习的网络都是由神经元通过不同的方式组合起来。

　　一个完整的神经元由两部分构成，分别是“线性模型”与“激励函数”。如果看过之前的文章，相信可以回忆起其中“线性回归”和“激励函数”的概念

　　1.线性模型

　　(1)构成

　　假设这个线性模型的函数： y=wx+b(有木有很熟悉)，其中x是一个1xn的向量矩阵，矩阵中的每个向量值即代表样本一个特征的值，w为nx1的权重矩阵(对应向量的所占的比重)，b为偏置项。

　　(2)工作流程

　　以判定一个苹果的品质为例，我们假定y代表品质变量，x为1×3矩阵，w为3×1矩阵(偏置忽略为0的情况下)，具体如下

　　x矩阵里的向量值“1、2、3”分别代表一个数据中提取出来的特征向量的值。

　　w矩阵里的“0.2、0.6、0.7”分别代表每个特征向量的权重取值大小。

　　这两个矩阵相乘，最终会得到一个实数(涉及到数学矩阵运算，并非所有都会是实数哦~)

　　1X0.2+2X0.6+3X0.7=3.5

　　得到的3.5即我们拟合出来的一个苹果的品质假定为y1，用这个值与已经标定好的真实品质y0做差，就可以得到一个数据的拟合值与真实值的误差，当然真实的计算这可是海量数据计算

　　用到我第一章分享“线性回归”中对全局性误差函数的定义

　　通过这个函数来描述所有数据拟合值与真实值之间的关系，目的也是和机器学习一样，最终是要找到一个符合要求的Loss与w,b之间的映射关系

　　以上单个神经元中“线性模型”的运算流程，本质和机器学习中的“线性回归”过程是没有区别的

　　2.激励函数

　　(1)激励函数的作用

　　激励函数位于一个神经元线性模型之后，也有翻译成激活函数。它的作用有两个：

　　加入“非线性”因素

　　根据不同训练目的的需要，进行数学函数映射

　　为什么要加入“非线性”因素，那是因为“现实世界”的数据不可能都是线性的，如果你强行用“线性模型”去拟合非线性数据，最后得到的结果肯定是“欠拟合”

　　怎么理解数学函数映射呢，在这里拿最常用的Sigmoid函数举例

　　Sigmoid函数定义：

　　激励函数之前的线性模型“y=wx+b”已经经过运算得到了一个实数(即前面的3.5)

　　可以作如下的推导

　　则激励函数sigmoid变为

　　下图为Sigmoid函数图形，由图像可以看出，最初的x经过“线性模型”映射为z(z理论上可以为任意大小的实数)，而z经过激励函数的再一次映射，最后的输出必然为了【0，1】区间的实数，这就实现了一次数学函数的映射。

　　它可以实现一个简单的概率分类判断，假定“0”和“1”各代表一个概念，那么最后的输出在区间【0，1】，更接近“1”，就代表它是更可能是“1”所代表的概念

　　(2)激励函数的种类