Neural networks and deep learning（一本入门级好书）
Michael Nielsen
在线阅读链接：http://neuralnetworksanddeeplearning.com/index.html
中文版链接：https://pan.baidu.com/s/1bo0t7sz 密码: ecvf
代码下载链接：https://pan.baidu.com/s/1c1PuaGC 密码: 4w8n
（以识别手写数字为例）
Part 0 预备知识
0-0 感知器
（接受几个二进制输入，分配权重求和，产生一个二进制输出）
感知器
输出规则1
将阈值移到不等式另一边，用感知器的偏置b=-threshold代替。
输出规则2
假如我们有一个感知器，那如果这个网络能学习权重和偏置，就能做出判断啦。
0-1 S型神经元
为了使我们的权重和偏置的微小改动只引起微小变化，我们定义一个S型函数（求偏导就知道为什么可以这样啦；而且事实上还有很多不同的激活函数）：
S型函数
S型函数图像
那么此时输出变成：
输出
0-2 一个简单的手写数字分类神经网络结构
神经网络结构图
注：本文讨论的为前馈神经网络，即上一层输入作为下一层输出。（实际上也有递归神经网络~ ）
输入层：由于此网络的输入训练数据为扫描得到的2828的手写数字图像（0,1,2,...,9），因此输入层包含784=2828个神经元。
隐藏层：假设该层第一个神经元用于检测如下图像是否存在：
1
第二三四个分别检测以下是否存在：
234
那么若隐藏层的这四个神经元都被激活，则可以判断为0.
0
输出层：含有10个神经元。
Part 1 使用梯度下降算法学习权重和偏置
定义二次代价函数量化我们的目标：
代价函数
问题转化成求使C(w,b)最小的w和b。如下图，梯度下降方向则为使C最快减小的方向，eta称为学习速率。
梯度下降学习规则
为了加快学习，采用随机梯度下降：通过随机选取小量训练样本计算deltaCx，求平均值即可得到deltaC的估算。
随机梯度下降学习规则
Part 2 反向传播算法计算代价函数的梯度
2-0 一些符号表示
权重
隐藏层和输出层的值
代价函数表示为：
代价函数
2-1 四个基本方程
输出层误差
当前层误差
第l层第j个神经元的误差
2-2 反向传播算法
算法步骤
