最近接触了深度学习（Deep Learning），觉得挺困难的，主要困难在跟数学搅和在了一起，天知道大学时候的数学基础还有多少没有交给老师，很费劲。
现在总结下深度学习入门的几个基本概念，以供后查。
放一个wikipedia关于Deep Learning的定义镇楼：
https://en.wikipedia.org/wiki/Deep_learning
因为深度学习使用场景是在是太多，为了便于描述我们把场景限定为：图像分类
一般的图像分类就是通过某种计算，最终将某一图片映射到某个已知分类里，来实现图像的识别，比如说著名的CIFAR-10，就有飞机，车，鸟，猫啊等十个分类。
提到图像分类，最简单的直白的方法就是KNN（k-nearest neighbors algorithm），当然实际中不太会有人用它。
好了，现在我们可以介绍深度学习中最最基础的三个概念，其他更复杂的概念多多少少都演绎自这三个核心概念。
Score Function:
它其实描述的是把原始图片转化成针对每个分类的一个得分（score）的方式。
比如一张图片，我们知道都是pixel组成的，我们得用一种方式把这些原始的材料（pixel）针对每一个可能的分类映射成一个得分，并且我们期望针对正确分类映射的得分要高于错误分类的得分。
有点拗口，我们举个例子：一张马的图片，经过score function的计算以后，在马的分类上得分90分，而在猫的分类中得分2分，我们 就可以断定，这张图片上是一匹马而不是别的。
常用的score function有很多，我们这里讲一种最简单的：Linear Classification
F(xi, W, b) = Wxi + b
估计这个公式大家都比较熟悉，我来逐个解释， 还是用个例子解释吧，CIFAR-10, 每个图片尺寸是[3*32*32=3072]，将该图片reshape成[3072x1], 这就是函数中的Xi,
W叫做weight， 因为CIFAR-10有十个分类所以它的dimension是[10x3072], 那W*xi呢，矩阵乘法没全还给老师的估计就能答得出来：[10x1], 看出来了吗，十个分类的得分出来了吧。
蛮简单哈，这是因为我们用的是最简单的Linear Classification，但其实更复杂的比如CNN中的kernal等扮演的角色是一样的。
还有一个b是什么呢，是bias vector, 影响score，几何上就是对直线进行平移（毕竟不是每个分类都是过原点可分的对吧）。
多说几句关于Linear Classification， 有一张图比较形象：
大家知道，线性函数几何表示是一条直线，但是有些分类不是线性可分的比如：
用一条直线怎么旋转和平移都没法成功的将点和三角形分开，这时候就需要另外一个比较重要的东西：Active function（激活函数），激活函数的作用是：
加入非线性因素的，解决线性模型所不能解决的问题， 常用的激活函数有：
这样完整的score函数就变成了：
a = f(xi, W, b) = Wxi + b
y = z(a)
z就是激活函数，y就是最终的score了。
OK， 我们使用score funcntion的到了针对每个分类的得分（score），但是这些得分的意义其实不明，比如有的得分是越高越好，有的越低越好，这样我们就需要一个衡量得分好坏的函数：
Loss function：
用于衡量估计值（scrore）和真实值（label， 如鸟， 猫啊）的差距。当然loss越小表明估计值跟真实值的差距越小，是我们追求的目标。
常用的loss函数有很多，最常用的有两种：Multiclass Support Vector Machine loss（SVM）和 Softmax
待续吧，真挺难写的......