2017/7/20 朱兴全教授学术讲座观点与总结第二讲：单个神经元/单层神经网络
一、神经网络的结构
习惯的强势：能量最小化 大脑控制区在人对某一个事情形成习惯后，在该事情发生时，作出判断时不再消耗能量。（能量最小化与误差最小化？我想知道这里的能量与一般的能量函数之间有没有什么联系的地方？）
前向网络：网络中只有输入到输出的连接（下面给出单层和多层前向网络）
非隐藏层中可以比较期望输出与真实输出（注意观察最后一层的独立性，各个输出对权重的调整互不影响）
Why RNN？
前后顺序有相关性，时间顺序之间相关性，例如：文本分析。
神经网络（结构、神经元、学习算法）
神经元
神经元是神经网络中基本的信息处理单元，包括①一系列连接的权重Wi，②加法函数计算输入与权重的和，③激活函数：限制神经元的输出值大小（为什么要限制大小呢？）
激活函数
第一种是二值化，可以用于分类。第二种可以求导但是不连续。第三种是可以求导。
学习算法（重点）
- 错误纠正（感知机）
- 梯度下降（BP）
- competitive learning（self organizing maps）
什么时候考虑神经网络？
二、单层神经网络
只考了一个神经元的训练，多个神经元的训练类似，只是输出不同
1、感知机训练规则 不保证获得最优曲线，只保证获得可区分的情况
缺点：
1、不断修改，不断抖动（遇到不符合即刻修改）
2、线性不可分问题不能解决
3、正确样本在划分正确以后就没有再利用（期望正确分类的那些好的性质也可以利用起来）
4、错误划分的错误程度没有计入考虑之中（不同程度考虑方案不同）
2、梯度下降学习法则
梯度迭代，权重更新沿梯度反方向
平方误差误差来构造二次方程（二次方程有全局最小值），二次函数前面的1/2主要是为了求导方便
缺点：按全部样本（一次计算出所有样本的情况，对ΔW进行累加）的ΔW来更改权重，计算量大。
选择学习率η要充分小，太大的时候容易越过最优点。
3、Incremental stochastic gradient descent 随机选择样本进行迭代
两种方式
第一种选择部分子集替代所有集合进行梯度迭代，这个时候也存在风险，有部分集合一直属于错分状态，没有利用到。第二种是在计算存在ΔW不为0的时候，就开始进行更新权重，迭代速度加快。
学习规则的对比：
模型性能的验证
训练集和测试集的分割
- 随机分割
- 交叉验证：注意保证每一个小集合的分布与大数据集的分布要保持一致，同时每一个集合既要作为测试集也要作为训练集，如把集合分为A分为A1、A2、A3三个部分，这三个部分要与A的分布近似，分别选择三次，选择A1、A2作为训练集，A3作为测试集；选择A2、A3作为训练集，A1作为测试集；选择A3、A1作为训练集，A2作为测试集。
