6、神经网络学习
(1)、通过调整神经元的参数，使得网络对给定输入可产生期望输出。
(2)、学习层次化的表示（表征）
7、神经网络的前馈运算与反向传播
前馈运算和反向传播：在训练网络过程中所使用的。如果经过训练模型，网络稳定下来以后，就可以把参数固定下来，此时就不再需要反向传播了，只需要前馈运算进行推理和预测即可！
8、激活函数
DL学习—AF：理解机器学习中常用的激活函数(sigmoid、softmax等)简介、应用、计算图实现、代码实现详细攻略
深度学习(神经网络)的算法分类
深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑 。
前馈神经网络(NN)，而是和循环神经网络(RNN)的概念是相对的。而反向传播方法可以用在FF网络中，此时，基于反向传播算法的前馈神经网络，被称为BP神经网络。
1、常用的神经网络模型概览
DL：神经网络所有模型(包括DNN、CNN、RNN等)的简介(概览)、网络结构简介、使用场景对比之详细攻略
1、DNN
DL之DNN：DNN深度神经网络算法的简介、相关论文、设计思路、关键步骤、实现代码等配图集合之详细攻略
2、CNN
DL之CNN：计算机视觉卷积神经网络算法CNN算法常见结构、发展、CNN优化技术、案例应用之详细攻略
3、RNN
DL之RNN：RNN算法的简介、相关论文、相关思路、关键步骤、配图集合+TF代码定义之详细攻略
4、DBN
深度学习(神经网络)的经典案例应用
后期更新……
————————————————
版权声明：本文为CSDN博主「一个处女座的程序猿」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_41185868/article/details/78939050