深度学习

深度学习是机器学习的分支，也就是神经网络。

称之为  深度  因为有很多连接在一起的神经层。

前馈网络

前馈神经网络是指单元之间不形成循环的人工神经网络。因此，它不同于递归神经网络。
前馈神经网络是设计出来的第一个也是最简单的一类人工神经网络。

在这个网络中，信息只向一个方向移动，从输入节点，通过隐藏节点(如果有的话)，再到输出节点。网络中没有循环。

前馈神经网络是一个人工神经网络，并且没有循环，单向传播，是最简单的人工神经网络。

结构如下：

网络计算异或的两层神经网络。

神经元内的数字代表每个神经元的明确阈值(可以分解出来，以便所有神经元都有相同的阈值，通常是1)。标注箭头的数字代表输入的权重。

这个网络假设如果没有达到阈值，则输出0(不是-1)。请注意，输入的底层并不总是被认为是真正的神经网络层。

 计算XOR的两层神经网络。 神经元内的数字表示每个神经元（Perceptron层）的显式阈值（可以将其分解，以便所有神经元具有相同的阈值，通常为1）。

注释箭头的数字代表输入的权重。 该网络假定如果未达到阈值，则输出零。 请注意，最后一层（Output层）的输入并不是一个真正的神经网络层。

其中，每一个节点都可以看做是一个函数，将上一层传过来的输入信息做线性变换，再经过一个激活函数输出给下一层。

如下图所示

表示权重weight，表示偏差bias，是一种激活函数

 对于最后的输出层，我们可以根据任务的种类来选择激活函数。

如二分类任务中我们使用sigmoid函数（也就是logistic函数），多分类任务中使用softmax函数（得到的值都在0-1之间，看做概率）。

Word Embedding

在NLP的深度学习中，现在最流行的表示词的方法就是Word Embedding，它将词map成（一般较低纬度的）向量的形式，而这些向量的背后也是具有含义的，比如猫和狗的向量表示会比猫和石头来的接近（cosine距离）。那么要怎么得到词的Word Embedding呢？也是可以用神经网络来训练得到（其实就是神经层的weights）。在后面的例子中可以看到具体是怎么实现的。

训练

模型的输入可以是one-hot，也可以是词袋，词向量，或者TF-IDF之类的表示，训练过程其实就是参数的学习过程，通过最大化概率L=∏mi=0P(yi|xi)L=∏i=0mP(yi|xi)，或者最小化−logL−logL来训练，这里就需要用到梯度下降的方法，具体不再展开，实际中都是学习框架完成的，如TensorFlow，pytorch等。

优缺点

优点：

‣ Robust to word variation, typos, etc

‣ Excellent generalization

‣ Flexible — customised architecture for different tasks

缺点：

‣ Much slower than classical ML models... but GPU acceleration

‣ Lots of parameters due to vocabulary size

‣ Data hungry, not so good on tiny data sets

‣ Pre-training on big corpora helps