一、激活函數(shù)（AcTIvaTIon FuncTIon）
為了讓神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)復(fù)雜的決策邊界（decision boundary），我們在其一些層應(yīng)用一個(gè)非線性激活函數(shù)。常用的函數(shù)有sigmoid、tanh、ReLU（RecTIfied Linear Unit 線性修正單元）和以及這些函數(shù)的變體。
二、Adadelta
Adadelta 是基于梯度下降的學(xué)習(xí)算法，可以隨時(shí)間調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，它比超參數(shù)（hyperparameter）更敏感而且可能會(huì)降低學(xué)習(xí)率。Adadelta 類似于 rmsprop，而且可被用來替代 vanilla SGD。
論文：Adadelta：一種自適應(yīng)學(xué)習(xí)率方法
三、Adagrad
Adagrad 是一種自適應(yīng)學(xué)習(xí)率算法，能夠隨時(shí)間跟蹤平方梯度并自動(dòng)適應(yīng)每個(gè)參數(shù)的學(xué)習(xí)率。它可被用來替代vanillaSGD (#sgd)，稀疏數(shù)據(jù)上更是特別有用，可以將更高的學(xué)習(xí)率分配給更新不頻繁的參數(shù)。
論文：用于在線學(xué)習(xí)和隨機(jī)優(yōu)化的自適應(yīng)次梯度方法
四、Adam
Adam 是類似于 rmsprop 的自適應(yīng)學(xué)習(xí)率算法，它通過使用梯度的第一和第二時(shí)刻的運(yùn)行平均值（running average）直接估計(jì)，并具有偏差校正功能。
論文：Adam：一種隨機(jī)優(yōu)化方法
五、仿射層（Affine Layer）
這是神經(jīng)網(wǎng)絡(luò)中的一個(gè)全連接層。仿射（Affine）的意思是前面一層中的每一個(gè)神經(jīng)元都連接到當(dāng)前層中的每一個(gè)神經(jīng)元。在許多方面，這是神經(jīng)網(wǎng)絡(luò)的「標(biāo)準(zhǔn)」層。仿射層通常被加在卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)做出最終預(yù)測前頂層。仿射層的一般形式為 y = f(Wx + b)，其中 x 是層輸入，w 是參數(shù)，b 是一個(gè)偏差矢量，f 是一個(gè)非線性激活函數(shù)。
六、注意機(jī)制（Attention Mechanism）
注意機(jī)制由人類視覺注意所啟發(fā)，是一種關(guān)注圖像中特定部分的能力。注意機(jī)制可被整合到語言處理和圖像識(shí)別的架構(gòu)中，以幫助網(wǎng)絡(luò)學(xué)習(xí)在做出預(yù)測時(shí)應(yīng)該「關(guān)注」什么。
七、Alexnet
Alexnet 是一種卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的名字，這種架構(gòu)曾在 2012 年 ILSVRC 挑戰(zhàn)賽中以巨大優(yōu)勢獲勝，它使導(dǎo)致人們重新關(guān)注對用于圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。它由 5 個(gè)卷積層組成。其中一些后面跟隨著最大池化（max-pooling）層和帶有最終 1000 條路徑的 softmax (1000-way softmax)的 3個(gè)全連接層。Alexnet 被引入到了使用深度卷積神經(jīng)網(wǎng)絡(luò)的 ImageNet 分類中。
八、自編碼器（Autoencoder）
自編碼器是一種神經(jīng)網(wǎng)絡(luò)模型，它的目標(biāo)是預(yù)測輸入自身，這通常通過網(wǎng)絡(luò)中某個(gè)地方的「瓶頸（bottleneck）」實(shí)現(xiàn)。通過引入瓶頸，使得網(wǎng)絡(luò)學(xué)習(xí)輸入更低維度的表征，從而將輸入壓縮成一個(gè)好的表征。自編碼器和 PCA 等降維技術(shù)相關(guān)，但因?yàn)樗鼈兊姆蔷€性本質(zhì)，它們可以學(xué)習(xí)更為復(fù)雜的映射。目前已有一些范圍涵蓋較廣的自編碼器存在，包括降噪自編碼器（Denoising Autoencoders）、變自編碼器（VariationalAutoencoders）和序列自編碼器（Sequence Autoencoders）。
降噪自編碼器論文：
Stacked Denoising Autoencoders: Learning Useful Representationsin a Deep Network with a Local Denoising Criterion
變自編碼器論文：
Auto-Encoding Variational Bayes
序列自編碼器論文：
Semi-supervised Sequence Learning
九、平均池化（Average-Pooling）
平均池化是一種在卷積神經(jīng)網(wǎng)絡(luò)中用于圖像識(shí)別的池化（Pooling）技術(shù)。它的原理是，在特征的局部區(qū)域上滑動(dòng)窗口（如像素），然后再取窗口中所有值的平均值。它將輸入表征壓縮成一種更低維度的表征。
十、反向傳播（Backpropagation）
反向傳播是一種在神經(jīng)網(wǎng)絡(luò)中用來有效地計(jì)算梯度的算法，或稱為前饋計(jì)算圖（feedforwardcomputational graph）。它可以歸結(jié)成從網(wǎng)絡(luò)輸出開始應(yīng)用分化的鏈?zhǔn)椒▌t，然后向后傳播梯度。
論文：
Learning representations by back-propagating errors
十一、通過時(shí)間的反向傳播BPTT：BackpropagationThrough Time
下載文檔
