一：我的认识
多层次的对原始数据进行特征提取，最后在输出层完成特征分类。
二：函数基础
1 . 线性回归
2 . logistic分类
3 . softmax分类
4. 激活函数relu
5. 最小值求解
常见的梯度下降算法 adam ....
6. 交叉熵损失函数
对于二分类使用BinaryCrossentropy
对于多分类softmax使用CategoricalCrossentropy（one-hot编码）和SparseCategoricalCrossentropy使用一个位置整数表示类别。
三:思考
如何求得损失函数最小，如在这里使用的交叉熵损失函数。
本身损失函数是针对于w(待求未知数）的函数，目的是使得函数值最小，所以可以试图找到这样的一点w。所以对函数进行求导数，使得函数根据导数指示的方向下滑直到满足迭代次数，或满足下滑距离小于阈值。
四：深度学习
1：输入层 （对于卷积神经网这一步就是在做卷积处理）
2：隐藏层 （N>=0）由wx+b=y 激活函数（y)
3：输出层 默认是logits(得分值) 可以用激活函数softmax进行归一化处理
