大家好，今天我们学习【马上学tensorflow 2.0】之 神经网络剖析：层、模型、损失函数与优化器。
我们 马上学三点 ：
大家可以点击下面的“ 了解更多 ”， 或全网搜索“ 马上学123 ”， 查看讲义PPT和参考文献。
tensorflow
层、网络模型、损失函数和优化器之间的关系
神经网络的基本数据结构是层。 层是一个数据处理模块， 将一个或多个输入张量转换为一个或多个输出张量。
大多数的层是有状态的，即层的权重。 权重是利用随机梯度下降学到的一个或多个张量， 其中包含网络的知识。
在 tensorflow2.0的Keras 中， 构建深度学习模型就是将多个层拼接在一起， 以建立有用的数据变换流程。
深度学习模型是层构成的有向无环图。
最常见的例子就是层的线性堆叠， 将单一输入映射为单一输出。
机器学习的定义： “在预先定义好的可能性空间中， 利用反馈信号的指引来寻找输入数据的有用表示。”
网络的拓扑结构定义了一个假设空间， 选定了网络拓扑结构， 意味着将可能性空间(假设空间)限定为一系列特定的张量运算， 将输入数据映射为输出数据。 然后， 你需要为这些张量运算的权重找到一组合适的值。
选择正确的网络架构更像是一门艺术而不是科学， 虽然有一些最佳实践和原则， 但只有动手实践才能让你成为合格的神经网络架构师。
一旦确定了网络架构， 你还需要选择以下两个参数：
网络的目的是使损失尽可能最小化， 一定要明智地选择目标函数，否则你将会遇到意想不到的副作用。
对于分类、回归、序列预测等常见问题， 你可以按照常规选择正确的损失函数。 例如：
只有在面对真正全新的研究问题时， 你才需要自主开发目标函数。
参考文献：
马上学123，很简单！
在线客服
客服咨询
官方微信
返回顶部
