给初学者：开始构建你的神经网络模型

分两步构建一个神经网络模型：
第一步，配置模型的层。人工神经网络基本的构建块就是层，每个层包含一个或多个LTU，也叫线性阈值单元。LTU是一个人工神经单元，输入和输出都是数字，并且每个输入的连接都有一个对应的权重。LTU会加权求和所有的输入，然后根据求值结果应用一个信号函数。下面使用keras.Sequential类配置层：

model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])

大部分深度学习模型都是由一系列的简单的层串联在一起组成的。这些层都有一些参数需要在模型的训练过程中学习和优化。
我们来解释上面的模型，该模型包含三层：
第一层是 keras.layers.Flatten（平坦层），作用是把输入的数据转换成一个一维数组，flatten，就是使之平坦的意思。这层没有参数需要学习，只是重构数据。这层接受的数据必须是28X28的二维数组。
第二和第三是稠密层 keras.layers.Dense。Dense层是一种全连接层，和前边的输入、后边的输出全部连接。这种层往往用于分析输入数据，提取输入数据之间的联系。第一个Dense层有128个nodes（神经元 neurons），并且使用修正线性单元（relu）作为激活函数；第二个Dense层（也即最后一层）包含10个nodes，每个node将输出一个评估值，显示输入数据应该归为那个类别。

第二步，编辑模型(compile model)
在模型开始训练之前，我们要对模型做必要的设置，这就是compile model，设置往往包括如下内容：
1、添加损失函数Loss。Loss用来衡量训练期间模型的精确度。我们要尽可能让这个函数最小化，从而保证模型向着正确的方向发展。
2、添加优化器Optimizer。Optimizer定义了，根据输入数据和Loss，模型该怎样改进和优化。
3、度量器Metrics 。Metrics 监视训练和测试过程。往往用accuracy精度来描述。下面是配置代码：

model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])

至此，神经网络模型构建完毕。接下来就是训练，预测，等等。

• 点赞
• 收藏
• 分享
• 文章举报