神经网络

遗传算法是1962年由美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法。它把自然界中的“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选，是适应值好的个体被保留，适应度差的个体倍淘汰，新的种群集成上一代的信息，有优于上一代。

神经网络的调试基本上难于绝大多数的程序，因为大部分的神经网络的错误不会以类型错误或运行时错误显现，他们只是使得网络难以收敛。如果你是一个新人，这可能会让你非常沮丧。

神经网络是由大量的神经元互联而构成的网络。根据网络中神经元的互联方式，常见网络结构主要可以分为３类：前馈神经网络、反馈神经网络、自组织神经网络。

权值初始化的方法主要有：常量初始化（constant）、高斯分布初始化（gaussian）、positive_unitball初始化、均匀分布初始化（uniform）、xavier初始化、msra初始化、双线性初始化（bilinear）

激活函数是神经网络中一个至关重要的概念，决定了某个神经元是否被激活，判断该神经元获得的信息是否有用，并决定该保留还是该去掉此神经元。本文作者 Vandit Jain 对激活函数的相关知识进行了一个较为全面的总结。

相信我们都做过一些图片分类或者是其他分类的项目，我们知道神经网络是在w和b参数调节基础上，使得x与y达到对应输出的效果。比如最经典的Mnist手写字体识别，给一张图片模型判断后将会输出数字结果.....

人工神经网络(简称：神经网络)的思路是利用计算模拟生物神经网络的信息处理的能力，来进行数据分析。它是人工智能研究的范畴，更是属于机器学习算法领域。是一种分析数据的模型。

神经网络根据中间功能层的不同分为不同的神经网络。主要有三种： 全连接神经网络(FNN) ；卷积神经网络（CNN） ；循环神经网络(RNN)

Dropout是在《ImageNet Classification with Deep Convolutional》这篇论文里提出来为了防止神经网络的过拟合。它的主要思想是让隐藏层的节点在每次迭代时(包括正向和反向传播)有一定几率(keep-prob)失效。

神经网络中损失函数后一般会加一个额外的正则项L1或L2，也称为L1范数和L2范数。正则项可以看做是损失函数的惩罚项，用来对损失函数中的系数做一些限制。