神经元模型

单一神经元的模型通常是一个阶跃函数或sigmoid函数，像是模拟神经元输入累积超过一定阈值才给一个输出。

感知机与多层网络

感知机就是两个输入给出一个输出的基础模型，再复杂的神经网络都是多个感知机叠加而成的。感知机可以根据训练误差，调整权重。

误差逆传播就是BP算法，是神经网络训练的常用算法。标准BP算法和累积BP算法基本对应于随机梯度下降（参数更新只针对单个样本，参数更新频繁）和批量梯度下降（参数更新考虑所有样本）。

BP算法避免过拟合的策略包括“早停”和“正则化”。“早停”在每次训练完都要用验证集估计误差，当训练误差下降但验证误差升高时停止训练。“正则化”在误差函数中加入描述网络复杂度的部分。

这一部分内容对其他模型也都适用。梯度下降算法趋向于梯度为零的位置，但有可能是一个局部最小值，而非全局最小。常用的跳出局部最小的方法有：

以多组不同参数值初始化多个神经网络，相当于从不同初始点开始梯度下降，有可能陷入不同的局部最小，再从中选择更接近全局最小的结果；

模拟退火，类似金属冷却中的原子，一开始都是随机运动的，但慢慢趋于稳定。在当前问题中，即在梯度下降的每一步中都以一定概率接受比当前解更差的结果，从而有助于跳出局部最小。

随机梯度下降。因为每次更新只考虑一个样本，那么单一样本的随机误差其实也有助于跳出局部最小。