制作軟件幕布檀夹，可生成清晰的思維度導圖
了解幕布
注冊連接：幕布是一款結構化思維生產(chǎn)力工具
如果大家喜歡的話麻煩從我的這個連接注冊熏挎，這樣我就可以使用高級會員功能了芭析，，攀甚，謝謝啦
建議直接看思維導圖箩朴，如果圖片不清晰可點擊查看原圖（屏幕中間下方）。
文章列表
圖解神經(jīng)網(wǎng)絡之--1.0 感知器（Perceptron）
圖解神經(jīng)網(wǎng)絡之--2.0 線性單元（Linear Regression）
線性單元以及梯度下降
下面是幕布標簽內(nèi)容
線性單元的概念：在面對一個數(shù)據(jù)集不是線性可分的時候秋度，使用感知器規(guī)則 可能無法進行收斂炸庞，無法訓練成一個感知器的問題時，我們用一個可倒的線性函數(shù)來替換感知器的跳躍函數(shù)荚斯，這樣的感知器就叫做線性單元埠居，線性單元在面對線性不可分的數(shù)據(jù)集時查牌，會收斂到一個最佳的近似值上。
圖示：
輸出：更改激活函數(shù)之后線性單元返回的是一個實數(shù)值而不是0滥壕，1分類纸颜，因此線性單元用來解決的是回歸問題而不是分類問題。
線性模型：當我們說模型時绎橘，我們實際上在談論根據(jù)輸入X 預測輸出Y的算法
輸出Y 就是輸入x1-x4的線性組合胁孙。
線性單元的目標函數(shù)和梯度下降優(yōu)化：目標函數(shù)預測值和標簽的近似程度 e是單個樣本的誤差。（一般用的是差的平方的二分之一称鳞，乘二分之一是為了之后求導好算）
對于一個訓練數(shù)據(jù)集來說涮较，誤差越小就說明模型越好，由此可見冈止，模型的訓練狂票，實際上就是求取到合適的w。則需要使用下面的優(yōu)化算法優(yōu)化我們的目標函數(shù)(E(W))
批梯度下降（Batch Gradient Descent）優(yōu)化優(yōu)化的目的：通過梯度下降對得到的目標函數(shù) (E(W))進行優(yōu)化找到最合適的w
梯度概念：梯度是一個向量屋剑，它指向函數(shù)值上升最快的方向。
方法：我們通過梯度的反方向去修改x的值诗眨，在找到極值點唉匾。
推倒過程推倒目的：
隨機梯度下降算法(Stochastic Gradient Descent, SGD)概念：如果樣本數(shù)目非常大芋簿，那么采用批梯度下降計算量將會異常巨大峡懈，在SGD中，每次w的迭代只計算一個樣本与斤，這樣更新效率就會大大提高
