学习视频来自B站视频：从入门到精通！不愧是公认的讲的最好的【Tensorflow全套教程】同济大佬12小时带你从入门到进阶！Tensorflow2.0/计算机视觉/神经网络与深度学习
UP主：
咕泡AI算法工程师的个人空间-咕泡AI算法工程师个人主页-哔哩哔哩视频
Tensor :张量 有维度的，可以当做一个任意维度的矩阵
Tensorflow 计算单元在这里流动（做计算）
tensor可以是一个值(number),可以是一个向量(vector),也可以是一个矩阵(matrix)
tensor是一个可以进行GPU计算的矩阵
源数据好坏与数据处理影响了深度学习的效果
机器学习的流程：
计算机眼中看到的图像：
会是一个三维的矩阵，包含长宽和颜色通道，颜色通道为3，这里是我们平时用的最多的RGB 3通道。
K近邻学习方法，提取色素快，然后对比作差得到绝对值，这种学习方法有很严重的问题，就是它无法区分哪个是主体，由于主体基本不可能占满整个图像，导致得到的结果面临一个问题，就是背景相似的图像会被识别成一类物质。
这里就是把整个像素点集成一个矩阵，1X3072的矩阵，与另一个3072X1的权重矩阵做矩阵运算，我们知道线性代数的运算法则 这里是横着的1X3072与竖着的3072X1进行矩阵运算，得到的就是个1X1的矩阵，也可以说得到一个数值。
最后得到的权重值+b（偏置值），会计算到与之最近的参数是什么，然后对应识别出他是什么。其中权重值是起到决定作用的，因此权重矩阵的各种数值起到的就是决定性的作用，偏执值只是起到了一个微调的作用。
第一行×第一列，+猫这类的偏置值，得到了猫的得分
以此类推，得到剩下两个类的得分。
我们得到这个各个块的值所用到的算法就是梯度向量算法(Gradient Descent,简称GD)，这是深度学习的核心之一。（详情可以自行搜索，我认为这个算法是必须了解和掌握的）
但是很明显，可以看到，这里得到的结果中狗的分数最高，所以错误的识别成狗了。
这里展示了损失函数，+1中的1相当于delta，相当于代表一个容忍度，如果容忍度的值越高，那么所需要做到的正确的值与其他值作差，如果作差的值全大于这个delta,那么就代表损失值为0，如果
作差的值小与delta，比如我给的delta是10，猫得分13，汽车得分8，作差是5，那么5<10.此时是有损失的 ，我们需要用一套损失函数来计算对应的LOSS值。
权重参数设置不同可能会导致过拟合，因此调整权重参数的比值非常重要。
损失函数=数据损失+正则化惩罚项
softmax分类器，这种分类方法可以用来放大差异化，比如说本来差异没这么大，我们如何放大这个差异呢？那就可以用到exp，也就是e的指数幂的操作，让数值的差异更加大，这种操作的好处就是能够放大差异，然后我们使用Log函数再归一化的处理，可以发现我们需要做到的就是让数值越来越趋近于1，趋近于1的时候LOSS的值越小，等于1的时候为0。
这里完成的内容就是前向传播。
有了x和w，如何得出损失，完成这一系列的过程叫做前向传播。
反向传播的内容：基于我的损失值，（损失值高说明w不好），往山谷下走，利用梯度下降改善w值。
豆包中关于这俩内容更细致的描述：
反向传播过程中需要逐层求偏导，利用偏导的梯度值X自身的梯度值
在运算的过程中，w1,w2,w3的好坏决定了输出结果的好坏。
理论情况下神经元越多效果越好，但是不得不需要考虑的就是过拟合的问题。
Sigmoid函数可能会有梯度消失的现象，比如某地方梯度为0，那么传播到后面的梯度都是0，也就是不会进行更新了。
Relu函数(当今百分之90都在用的函数)，不会发生梯度消失的现象。
DROP-OUT训练方法，为了避免过拟合的现象，我们训练的时候会让网络不那么强大，因此在训练的时候会选择部分神经元进行训练，每次训练随机选中一定个数的神经元抛弃不进行训练，可以一定程度避免过拟合现象。
理论篇到底为止，然后就是实战篇。