第四周——深层神经网络
1、Introduction to DNN
只不过是把之前的单隐含层网络拓展了一下罢了，符号约定基本一致。
2、在DNN中做forward pass
通过for循环逐层计算Z和A，得到模型的输出矩阵。
3、核对矩阵的shape
（1）Z和dZ的shape一致，其他也是。
（2）前向或反向传播，只需确保等号两边的矩阵shape一致即可。
4、为什么使用深层表示
（1）有特征的内部变化，低层次的特征组合得到高层次抽象的特征，做特征的自动抽取。
（2）人脸检测任务：先检测出图像哪里有edge，再进一步检测出哪里有眼鼻嘴等，再进一步检测出哪里有人脸。
（3）感知野在逐步扩大（In CNN）。
（4）如果用浅层网络拟合一个函数，相较于small L-layer DNN，需要指数增长更多的hidden unit。
（5）当解决一个新的问题时，从logistic回归开始，然后尝试浅层网络，再逐步加深，将层数做为一个超参来调整。
5、DNN的building block
（1）参考Chainer DL框架，Linear Link是层（这个class的成员变量W和b是该层的参数），它包装了LinearFunction，要实现Function的forward and backward over cpu and gpu，forward和backward方法使用了模板方法模式。
（2）一个层只做一件事，例如线性层和激活层等，符合OOP的思想。
（3）自定义一个层，只需实现forward and backward pass即可，forward(self, inputs)和backward(self, inputs, grad_outputs)，其中inputs和grad_outputs都是ndarray的元组，这两个方法返回的也是tuple of ndarray。
6、前向和反向传播
见基于Chainer的DNN实现代码（见我的Github）：（1）实现Linear Link、ReLU Link和Sigmoid Link；（2）通过组合/堆叠这些层构建二分类模型，即Link => Chain；（3）数据驱动，训练得到二分类器。
7、参数 VS 超参
（1）超参，即需要告诉学习算法的东西，包括：学习率、迭代数、多少隐含层、隐含单元数和激活函数等。
（2）应用DL是一个经验性的过程，通过实验确定最佳超参。
8、DL和大脑的关系
目前的DL和大脑没什么关系。
