近期学习内容

LR：它是一种二分类算法，取值只能为0或1 。                           它的函数：                                                                          对应的损失函数：                                  它会有俩个概率

softmax：它是LR的扩展，能进行多分类问题。他可以有多个值，但所有的结果加起来等于1。 此时的损失函数：

神经网络：它分为输入层（Input layer），隐藏层（Hidden layer），输出层（Output layer）三个部分。                   输入层是由训练集的实际特征向量传入。经过连接点的权重一层一层传入，上一层的输出是下一层的输入，经过隐藏层的处理，最后输出。

梯度爆炸：梯度爆炸是指机器学习时，选择的学习率设置不合理，导致梯度值过大引起。

梯度消失：为什么会出现梯度消失的现象呢？因为通常神经网络所用的激活函数是sigmoid函数，这个函数有个特点，就是能将负无穷到正无穷的数映射到0和1之间，并且对这个函数求导的结果是f（x）=f（x）（1-f（x））因此两个0到1之间的数相乘，得到的结果就会变得很小了。神经网络的反向传播是逐层对函数偏导相乘，因此当神经网络层数非常深的时候，最后一层产生的偏差就因为乘了很多的小于1的数而越来越小，最终就会变为0，从而导致层数比较浅的权重没有更新，这就是梯度消失。

正则化： 正则化的目的：防止过拟合！ 正则化的本质：约束（限制）要优化的参数。 正则化看着名字挺复杂，其实说它是限制化也不错感觉。

池化：

最常见的池化操作为平均池化mean pooling和最大池化max pooling：

平均池化：计算图像区域的平均值作为该区域池化后的值。

最大池化：选图像区域的最大值作为该区域池化后的值。