Question

1. 现代前馈网络的核心思想自20世纪80年代以来没有发生重大变化。

   近年来神经网络性能的大部分改变可归因于两个因素：更大的数据集、更大的网络（由于硬件的强大和软件设施的发展）。

   算法上的部分改变也显著改善了神经网络的性能：

   • 用交叉熵代替均方误差作为损失函数。

     均方误差在20世纪80年代和90年代流行，后来逐渐被交叉熵代替。交叉熵大大提高了sigmoid输出单元和softmax输出单元的模型的性能。

   • 使用分段线性隐单元（如修正线性单元）来代替sigmoid隐单元。

2. 修正线性单元描述了生物神经元的这些特性：

   • 对于某些输入，生物神经元是完全不活跃的。
   • 对于某些输入，生物神经元的输出和输入成比例。
   • 大多数时间，生物神经元位于不活跃的状态。

3. 2006-2012年，人们普遍认为：前馈神经网络如果没有其他模型的辅助，则表现不佳。现在已经知道：当具备合适的资源和工程实践，前馈网络表现的非常好。

4. 前馈网络中基于梯度的学习被用作研究概率模型的工具，它也可以应用于许多其他机器学习任务。

5. 在 2006年，业内使用无监督学习来支持监督学习；目前更常见的是使用监督学习来支持无监督学习。