就是你通过打个比方一个人，一年能挣一百万，你的学历，工作经验，父母的关系等特征，来体现这个人一年能挣多少钱，通过你的学历，国家，性别，工作经验等元素，来预测你的收入是多少，但是每个x特征所影响的占比是不同的，比如说学历影响肯定大一些，性别影响肯定小一些，所以我们用W1X1+W2X2+.....+WnXn来表达，就是这个x特征所对应的，是用来平衡我们最后输出的值，比如说你的特征x全都为0，没读过书，

逻辑回归是用来做2分类的任务（好与坏，健康和不健康）

可以看到每个函数都有自己的优缺点，因此没有最好的激活函数，只有适合的、符合要求的激活函数但是不得不说，ReLU和LeakReLU，相比于Sigmoid和Tanh解决了很多问题，因此实际上，在隐藏层中，大部分使用的都是ReLU和LeakReLU函数但是，在后面要学习的循环神经网络中，Sigmoid和Tanh有它们自己独特的作用。尤其是Sigmoid函数，它可以用来做二分类，那ReLU和LeakReL

我们隐隐约约感觉到，这里面应该有什么必要的关系，只是我们还没有发现。

就是三个门，

即使对于有一定基础的人来说，如果之前没有接触过python，学习深度学习的时候，对一些工具和依赖库依然会感到陌生，我自己就是学Java的，最近在学习深度学习，对 python接触不多，因此对其中一些工具并不熟悉，所以整理了一些常用的介绍一下，当然后续可能还会增加。

NVIDIA驱动安装与更新NVIDIA驱动安装与更新找到自己的显卡，我的显卡是3050然后去英伟达下载驱动下载完之后，一直下一步就好了，直到安装，没什么特别的下载安装完以后，我们查看支持 cuda 驱动的支持最高版本 cuda tookit。按下 win+R 组合键，打开 cmd 命令窗口。输入如下的命令：得到如下的结果，可以看到我的显卡驱动支持的最高版本 cuda tookit 是 12.0，版

只要是使用卷积运算的就是卷积神经网络，池化层有没有不重要，有卷积层就算卷积神经网络的一种。卷积运算通常增加通道数，这样就能把特征提取出来，每一个特征都都用一个独立的通道数来表示。在LeNet之前，我们都是用机器学习来做分类任务的，所以LeNet具有开创意义其实就是：由于网络只对一种鸟进行一次识别是学不好的，所以不得不进行多层次的学习，得以学习到其本质，而图像扩增就是对这种数据进行多次利用的一种手段

NVIDIA驱动安装与更新NVIDIA驱动安装与更新找到自己的显卡，我的显卡是3050然后去英伟达下载驱动下载完之后，一直下一步就好了，直到安装，没什么特别的下载安装完以后，我们查看支持 cuda 驱动的支持最高版本 cuda tookit。按下 win+R 组合键，打开 cmd 命令窗口。输入如下的命令：得到如下的结果，可以看到我的显卡驱动支持的最高版本 cuda tookit 是 12.0，版

只要是使用卷积运算的就是卷积神经网络，池化层有没有不重要，有卷积层就算卷积神经网络的一种。卷积运算通常增加通道数，这样就能把特征提取出来，每一个特征都都用一个独立的通道数来表示。在LeNet之前，我们都是用机器学习来做分类任务的，所以LeNet具有开创意义其实就是：由于网络只对一种鸟进行一次识别是学不好的，所以不得不进行多层次的学习，得以学习到其本质，而图像扩增就是对这种数据进行多次利用的一种手段