深度学习基础（一）起源
目录
一、DP的前世
深度学习发展至今经历颇为曲折，上世纪起源，火热起来也是20世纪初的时候，具体时间如下图所示：
1.perceptron
深度学习（DP）的基础来源于19世纪50年代，起初是叫“perceptron”（翻译为感知机/感知器等）,包含有输入层、输出层和一个隐藏层。输入的特征向量通过隐藏层变换到达输出层，由输出层得到分类结果。但早期的单层感知机存在一个严重的问题——它对稍微复杂一些的函数都无能为力（如异或操作）。
2.NN
19世纪80年代左右为实现复杂函数功能（如异或、非线性可分等问题），提出“multi-layer perceptron”(多层感知机)/neural network(神经网络)来解决相应问题。主要为加入了隐层概念、非线性**函数(sigmoid/tanh等)、back propagation(反向传播算法)和Optimizer(优化算法，梯度下降、mini-batch等)。
此时跨入NN时代，但由于神经网络的层数和其实现的功能挂钩：即随着神经网络层数的加深，Optimizer越来越容易陷入局部最优解和梯度消失。（具体来说，我们常常使用sigmoid作为神经元的输入输出函数。对于幅度为1的信号，在BP反向传播梯度时，每传递一层，梯度衰减为原来的0.25。层数一多，梯度指数衰减后低层基本上接受不到有效的训练信号。）
3.DP
直至2006年由Hition提出了深度学习的概念“解决”上述问题(实际上只是用一些巧妙的手段最大程度的缓解上述问题)，迎来深度学习的热潮，其隐藏层增至7层。后来为“解决”梯度消失，加入了ReLU等函数，形成了如今的DNN，如下图所示。
再后来，由于图像处理等需要局部的信息，这时引入卷积核和max-pooling等操作来解决相应的问题，所以产生了CNN；与此同时，由于要解决时序的问题，产生了RNN，后期的LSTM等都是RNN为解决时间上的梯度消失而生成的网络。
RNN示意图
而在实际应用中，上述网络层都是灵活连接，以便更好的解决实际生成问题。
二、DP的基础知识
DP基础知识较为繁杂，为简单入门说起，就直接由经典的VGG16模型说起。
VGG16模型示意图
如上图所示，模型包括输入层、convolution、pooling、fully connected和输出层，其中包括padding、Flatten和dropout等操作。
1.convolution
卷积过程是基于一个小矩阵，也就是kernel（卷积核），在上面所说的每层像素矩阵上不断按stride（步长）扫过去的，扫到数与卷积核对应位置的数相乘，然后求总和，每扫一次，得到一个值，全部扫完则生成一个新的矩阵。类似于滤波过程。
convolution示意图
2.padding
一般使用的都是Zero padding，细心的人就会发现上述convolution过程中若输入是 n X m 的大小，输出应该为 (n-1)X(m-1)的大小才对，但是这样会容易导致边界上的特征丢失以及其他错误，所以常规做法就是在输入Image的边界上加入一圈0，这样输出也为n X m的大小。
如下图所示，红色的为原来的输入层，在进行convolution前在其边界加一圈0，即灰色格子。
padding示意图
3.pooling
pooling相当于降维采样，我的理解是为了减少计算量以及避免特征重复等问题。pooling有两种，包括maxpooling和meanpooling，常用的是maxpooling。pooling的具体操作就是在一个小矩阵区域内，取该区域的最大值或平均值来代替该区域。
pooling操作示意图
4.Flatten
Flatten 是指将多维的矩阵拉开，变成一维向量来表示。
5.fully connected
fully connected，简称FC，即全连接层。其作用表现为“分类层”（个人觉得该描述不是十分准确，但又找不到更合适的描述），将上层数据映射到样本标记空间的作用。其实FC和卷积层类似，只不过是特殊的卷积层，其卷积核大小为上层特征大小的卷积运算，卷积后的结果为一个节点，就对应全连接层的一个点。
6.dropout
dropout其实是为了解决过拟合问题的。其操作过程：在一次循环中先随机选择神经层中的一些单元并将其临时隐藏，然后再进行该次循环中神经网络的训练和优化过程。在下一次循环中，又将隐藏另外一些神经元，如此直至训练结束。
由于dropout较难理解，加入一个生动的例子来进行讲解。
dropout示意图
参考文献：
1.https://www.leiphone.com/news/201702/ZwcjmiJ45aW27ULB.html
2.书籍《深度学习之tensorflow》