深度学习的方法论

为什么要提方法论

前面学习机器学习，花了一周时间，基本概念已经了解差不多了，下面我们要做的就是学习深度学习，毕竟深度学习才是最重要的知识。

在机器学习的时候我提到了方法论，那么在机器学习的时候我提到了方法论，说到每次学习一个知识点，我们都必须知道为什么要学习这个知识点，这样我们才会更加认同我们学习的内容，就是问题是什么，你带着什么目的来学习的，你带着什么问题来学习的，这样下次碰到相同问题是才会自动触发自己的记忆，想想我们之前都是怎么处理的。

深度学习时同样我们要理解每一种网络所能带给我们实际用处，就是你学习的这个网络有什么用处。用处不用处，主要考虑特征变量。其次要考虑实际应用的时候要搞清楚这个这个应用主要改进了哪些方面。说的好像有点混乱。

特征向量

在机器学习的时候我们设计算法的主要依据是特征向量，特征向量描述了一个物体的主要特征，我们根据这些特征就能判断出不同种类的东西。
深度学习的时候也需要考虑特征向量，但是这些特征向量已经被隐藏起来了，不需要我们认为的取设计这些特征向量。这是和机器学习最不同的地方，机器学习时的特征向量都是认为手动处理的。机器学习的特征向量时在隐藏层里自动识别出来的，这个就是隐藏的主要目的。
而且隐藏层有多层的，每一层都抽象出不同等级的特征，越往后特征越具有现实意义。最后把最后一级的特征向量最为最终的特征向量，然后输入给神经元，通过神经元的对不同特征向量权重的组合，形成了最终的数字，这个数字就代表了一种物体的种类。

论文

我们在每学习一种网络的时候，一定要追根溯源到这个神经网络的出处，去看看作者当时的想法，这比仅仅从别人书上的说的内容要更加有营养，我们要一手的信息，不要二手的信息，虽然二手的信息似乎更加容易理解。