Tuning process(调试处理)：神经网络的调整会涉及到许多不同超参数的设置。需要调试的重要超参数一般包括：学习率、momentum、mini-batch size、隐藏单元(hidden units)、层数、学习率衰减。一般对于你要解决的问题而言，你很难提前知道哪个参数最重要。超参值的搜索过程可以随机取值和精确搜索，考虑使用由粗糙到精细的搜索过程。
超参数搜索过程：Re-test hyper parameters occasionally、Babysitting one model(计算机资源有限时)、Training many models in parallel。
Batch normalization(Batch 归一化)：会使超参数搜索变得容易，使神经网络对超参数的选择更加稳定(robust)。在神经网络中已知一些中间值，假设有一些来自隐藏层的隐藏单元值从z(1)到z(m)即z[l](i)，归一化第l层的隐藏单元z(i)，归一化z到含均值0和标准单元方差(normalized z to have mean zero and standard unit variance)，如下图。因此z的每一个分量都含有平均值0和方差1.但是我们不想让隐藏单元总是含有平均值0和方差1，因为隐藏单元有不同的分布会更有意义，因此由znorm(i)变为z~(i)，这里的γ和β是学习参数。γ和β的作用是可以随意设置z~(z tilde)的平均值。采用Batch normalization后会使用现在的z~(i)替代原来的z(i)已方便神经网络的后续计算。
将Batch norm应用到神经网络：如下图，Batch归一化是发生在计算z和计算a之间。
Batch归一化通常和训练集的mini-batch一起使用，如下图。参数b在Batch归一化中没有意义，所以必须去掉它，由β替代。Batch归一化一次只能处理一个mini-batch数据，它在mini-batch上计算均值和方差。
将Batch归一化应用到梯度下降法中，如下图。
softmax layer/softmax 激活函数：实现过程如下图所示，以识别四种类别为例。图中的输出层L为(4,1)向量，代表对应类所对应的概率。softmax用于多分类中。softmax回归或softmax激活函数将logistic激活函数推广到C类而不仅仅是两类。
softmax中用到的损失函数(loss function)：实现过程如下图所示，以识别四种类别为例。
深度学习软件框架：Caffe/Caffe2、cntk、DL4J、Keras、Lasagne、mxnet、PaddlePaddle、TensorFlow、Theano、Torch。每一个框架都是针对某一个特定用户或开发者群体的。
选择深度学习框架的标准：便于编程；运行速度；框架是否真的开放(truly open)。
