暑假自学python的第43天
今天继续昨天的学习：
今天开始学习深度学习相关知识
深度学习
深度学习原本称为多层神经网络，多层神经网络在网络上的图片有很多：
x1，x2，x3....xm作为输入层，隐藏层中每一个小圆圈就代表一个神经元，每一个神经元都会接收到输入层x1，x2，x3等送过来的数据。
每个神经元中做的都是一个逻辑回归，每个神经元内都做一个 多元一次方程，（y=w1x1+w2x2+w3x3...）
y还需要进行一个激活函数来经过处理之后才会传递到下一个神经元：
y=sigmoid（w1x1+w2x2+w3x3...）
激活函数的目的是为了让输出变成非线性
像图中举例，每层神经元的参数都是4*5=20
深度学习>机器学习
深度学习可以拟合任何机器学习的模型。
Tensorflow-keras
Tensorflow-keras是一个高级神经网络API，keras简易快速，支持CNN与RNN
分类问题
分类问题预测的是类别，模型的输出是概率分布
如图所示，上图的输出就是三个概率分布，比如第一个概率为0.2，第二个概率为0.7，第三个概率为0.1
在输出的概率相比较之下，我们就可以判断0.7的概率最大，所以这个问题更接近与0.7所对应的模型。
在上述中，每一个神经元是逻辑回归的，输出的为一个值。
此时在最后输出的结果，使用到的激活函数就是softmax，将结果变为一个概率值。
谁的概率最大，我们就认为他属于哪一个分类。
举例如下：
import numpy as np
z=np.array([1.0,2.0,3.0,4.0,1.0,2.0,3.0])
np.exp(z)
ret=np.exp(z)/sum(np.exp(z))
ret
