DeepLearning基本步骤
我们需要一个可以解决问题的方案（函数）
1.建立含未知参数的函数，函数的形式很重要，函数中参数的取值也很重要。
2.定义变量Loss作为判断参数是否合理的依据（需要已有数据进行参考）。
$$
e=|y-\hat{y}|或(y-\hat{y})^2,y是推测值，\hat{y}是真实值
$$
$$
Loss: L=1/N\sum_{i=1}^{n}e_n
$$
3.最优化参数（梯度下降法）
不断迭代w的值使得Loss最小，或者规定最大迭代次数，得到最优的参数值w
以上三步就是Training(训练)
已知数据明显以七天为周期，将b固定，以第一周的数据为基准设定w1~w7,事实上对于长期的预测没有太大帮助。
遇到复杂的函数怎么办？
按步骤来
1.得到函数的形式
通过已有数据做出函数图像。
对于折线，可将多个简单的”Z型“线性模型进行组合
对于曲线，可通过折线对其进行拟合
而作为图像拟合基础的“Z”型的线性模型是一个特别的函数Sigmoid Function拟合的（S型函数）
通过调整sigmoid function的参数来调整其图像形状从而组合、拟合目标函数
于是，我们可以通过多个sigmoid函数的组合来写出最终的函数方程
简单的拟合函数可以变形成更精确的形式
将函数拆开仔细分析，可以得到矩阵表示
整理所有未知参数
2.定义Loss变量
定义Loss为有关所有参数的函数L
3.最优化参数
先随机选出一组参数值，对它们求导，进行梯度运算,直到得到零向量或者不想再做为止。
实际训练时会将大量的原始数据分成很多较小的batch，对每一个batch，首先根据batch里的数据估计出各个Loss函数的形式，为了参数可以顺利传递，参数的种类个数是不变的，但是参数的存在形式是可以不同的（幂次、组合），对于不同的batch，learningrate也可以进行调整。
分的batch越多，一次epoch所update的次数越大
其实也有真正直线型的”Z型“函数ReLU
它是由两个分段线性函数组合而成的，可以用它代替sigmoid。
两个常见的激活函数ReLU和Sigmoid
为了得到更精确的参数，往往会在激活函数内部嵌套激活函数，层层调用。
因此得名DeepLearning
事实上，层数太多也会有 过拟合现象，在已知数据层可以跑的很好，但在预测未知数据时偏差就会变大，层数如此之多，为何选择不增多激活函数的个数而是选择层层嵌套结构呢，请待下回分解。
