深度学习入门：基于python的理论与实现

CNN中新增加了卷积层和池化层，而且还出现了一些特有的术语，比如说填充、步幅等。在各层中传递的数据是有形状的数据，这与之前的全连接网络是不同的

本章将介绍神经网络的学习中的一些重要观点，主要涉及寻找最优权重 参数的最优化方法、权重参数的初始值、超参数的设定方法

上一章在更新损失函数关于梯度的时候是使用的微分计算，这种方法虽然容易实现，但在计算过程中比较消耗时间，使用误差反向传播可以高效的计算权重梯度

由数据自动决定权重参数的值 学习的目的就是以损失函数为基准，找出使损失函数值达到最小的权重参数...

感知机的缺点： 即便对于复杂的函数，感知机也隐含着能够表示它的可能性，但是对于权重的设置需要人工介入 而神经网络一个重要的性质就是它可以自动地从数据中学习到合适的权重参数

感知机算是神经网络的起源算法，实现和理解都比较简单，它接收多个信号，输出一个信号(只有0/1两种取值)。