Course2-Week2:
https://github.com/kaieye/2022-Machine-Learning-Specialization/tree/main/Advanced%20Learning%20Algorithms/week2

1️⃣ReLU（Rectified Linear Unit）

✨ReLU function: $a=g(z)=max(0,z)$

将 ReLU 激活函数与线性和 Sigmoid 激活函数对比，三个都是常用的激活函数：

🎈在此示例中的派生的 “awareness” 特征是具有连续的值范围，Sigmoid 最适合 0/1 的二分类情况。而 ReLU 函数提供连续的线性关系，并且有一个 "off" 范围，可以关闭 $z<0$ 的范围，让其输出 0，"off" 功能使 ReLU 成为非线性的激活函数。

🎈在输出层中，如果是二分类问题选择 Sigmoid 函数作为激活函数是个不错的选择；而对于线性输出（既有负值也有正值）可以选择线性函数作为激活函数；如果对于回归问题但是输出只有正值（如房屋价格），则选择 ReLU 函数作为激活函数就相当合适了。
🤓在输出层中激活函数的选取可以去考虑预测的 $\hat{y}$ 是个什么样的值来进行选取。

🎈在隐藏层中，其实除了二分类问题使用 Sigmoid 激活函数，基本上都使用 ReLU 激活函数。ReLU 相较于 Sigmoid 计算速度更快，因为只需要计算 $max(0,z)$，而 Sigmoid 需要取幂、取负，相除等等，计算效率自然就低了；对于梯度下降，Sigmoid 在多个地方逐渐变平坦，就导致了 $J(w,b)$ 的函数也有多个平坦的地方，难以到全局最小值，并且偏导数很小会使梯度下降的速度缓慢，而 ReLU 梯度下降会更快更好。

---

✨选取激活函数方式的概括

---

🧐为什么神经网络需要激活函数？

🎈如果在神经网络中不使用激活函数：

🤓就会出现了将前一个线性回归得出的输出，作为下一个线性回归的输入去计算，最终其实就是线性函数的线性组合，则还是一个线性函数，这样的话就没有必要去写这么个多层的神经网络了，本质就是一个一层的输入输出映射，根本就不需要神经网络。

2️⃣多分类问题

多分类问题：目标值 $y$ 的值多于 2 个的情况。

使用 $P(y=i\mid \vec{x})$ 表示在输入 $\vec{x}$ 上分类为第 $i$ 种情况的概率。

3️⃣Softmax

✨Softmax 是 Sigmoid 的一般形式，用于处理多分类问题，由于我们已经学过了逻辑回归函数 Sigmoid，将两者对比来学习 Softmax 函数。

🤓由此可以看出 Sigmoid 是对于分类问题只有两个值 $P(y=0\mid \vec{x})$和$P(y=1\mid \vec{x})$ 时的特殊 Softmax 函数，也可以说 Softmax 回归模型是逻辑回归的泛化。

🎈再对比一下两者的损失函数：

---

🎗️神经网络的 Softmax 输出

🧐在具有 Softmax 输出的 softmax 回归和神经网络中，都会生成 N 个输出，并选择 1 个输出作为预测类别。在这两种情况下，向量 $z$ 都是由应用于 softmax 函数的线性函数生成的。softmax 函数转换为概率分布，应用 softmax 后，每个输出将介于 0 和 1 之间，并且输出将加到 1，以便可以将其解释为概率。

4️⃣Adam

Adam: Adaptive Moment estimation

🤓 Adam 算法是梯度下降的优化算法，相较于原始的梯度下降算法，Adam 算法可以自适应学习率，让梯度下降的过程更快并且更加精准。当学习率过小时，梯度下降的过程缓慢，Adam 会增大学习率去加快速度；当学习率过大时，梯度下降并不精准，Adam 会减小学习率去更好的执行梯度下降。

✨代码实现：

5️⃣ 反向传播（Back propagation）

🎈顺序计算各个中间参数的过程为前向传播，而反向通过前面求出的参数的值或偏导值再求出偏导则是后向传播。

🤓反向传播可以很好的提高计算效率，对于 $N$ 个这样的节点和 $P$ 个参数的情况，通过计算图的反向传播可以只花费 $N+P$ 步求出。如果普通的计算通过求出 $N$ 个节点值再求每个 $P$ 则要花费 $N\times P$ 步。可见后向传播的计算效率显著提高。