神经网络的核心组件，即层、网络、目标函数和优化器
层，多个层链接在一起组合成网络/模型，将输入数据映射为预测值。
输入数据和相应的目标。
损失函数，即用于学习的反馈信号；损失函数将这些预测值与目标进行比较，得到损失值，用于衡量网络预测值与预期结果的匹配程度
优化器，决定学习过程如何进行；优化器使用损失值来更新网络的权重。
代码示例
#神经网络的核心组件，即层、网络、目标函数和优化器
# 层，多个层链接在一起组合成网络/模型，将输入数据映射为预测值。
# 输入数据和相应的目标。
# 损失函数，即用于学习的反馈信号；损失函数将这些预测值与目标进行比较，得到损失值，用于衡量网络预测值与预期结果的匹配程度
# 优化器，决定学习过程如何进行；优化器使用损失值来更新网络的权重。
#层：深度学习的基础组件
# 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。
# 有些层是无状态的，但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。
# 不同的张量格式与不同的数据处理类型需要用到不同的层
# 简单的向量数据保存在形状为(samples, features) 的
2D
张量中，通常用密集连接层［densely connected layer，也叫全连接层（fully connected layer）或密集层（dense layer），对应于
Keras
的
Dense
类］来处理
# 序列数据保存在形状为(samples, timesteps, features) 的
3D
张量中，通常用循环层（recurrent layer，比如
Keras
的LSTM 层）来处理。
# 图像数据保存在
4D
张量中，通常用二维卷积层（
Keras
的
Conv2D
）来处理。
#模型：层构成的网络
# 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。
# 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
#损失函数与优化器：配置学习过程的关键
# 损失函数（目标函数）——在训练过程中需要将其最小化。它能够衡量当前任务是否已成功完成。
# 具有多个输出的神经网络可能具有多个损失函数（每个输出对应一个损失函数）。
# 但是，梯度下降过程必须基于单个标量损失值。
# 因此，对于具有多个损失函数的网络，需要将所有损失函数取平均，变为一个标量值。
# 优化器——决定如何基于损失函数对网络进行更新。它执行的是随机梯度下降（SGD）的某个变体。
# 选择正确的目标函数对解决问题是非常重要的。网络的目的是使损失尽可能最小化，
# 因此，如果目标函数与成功完成当前任务不完全相关，那么网络最终得到的结果可能会不符合你的预期。
# 对于分类、回归、序列预测等常见问题，你可以遵循一些简单的指导原则来选择正确的损失函数
# 对于二分类问题，你可以使用二元交叉熵（binary crossentropy）损失函数；
# 对于多分类问题，可以用分类交叉熵（categorical crossentropy）损失函数；
# 对于回归问题，可以用均方误差（mean-squared error）损失函数；
# 对于序列学习问题，可以用联结主义时序分类（CTC，connectionist temporal classification）损失函数
# 在面对真正全新的研究问题时，需要自主开发目标函数。
#典型的
Keras
工作流程
#(
1
) 定义训练数据：输入张量和目标张量。
#(
2
) 定义层组成的网络（或模型），将输入映射到目标。
#(
3
) 配置学习过程：选择损失函数、优化器和需要监控的指标。
#(
4
) 调用模型的fit 方法在训练数据上进行迭代。
#定义模型有两种方法：
#一种是使用
Sequential
类（仅用于层的线性堆叠，这是目前最常见的网络架构）
# 另一种是函数式API（functional API，用于层组成的有向无环图，让你可以构建任意形式的架构）。
from keras
import
models
from keras
import
layers
#使用
Sequential
类
model = models.
Sequential
()
model.add(layers.
Dense
(
32
, activation=
'relu'
, input_shape=(
784
,)))
model.add(layers.
Dense
(
10
, activation=
'softmax'
))
#函数式API
input_tensor = layers.
Input
(shape=(
784
,))
x = layers.
Dense
(
32
, activation=
'relu'
)(input_tensor)
output_tensor = layers.
Dense
(
10
, activation=
'softmax'
)(x)
model = models.
Model
(inputs=input_tensor, outputs=output_tensor)
from keras
import
optimizers
#编译这一步，你需要指定模型使用的优化器和损失函数，以及训练过程中想要监控的指标
model.compile(optimizer=optimizers.
RMSprop
(lr=
0.001
),loss=
'mse'
,metrics=[
'accuracy'
])
#学习过程就是通过fit() 方法将输入数据的
Numpy
数组（和对应的目标数据）传入模型。
#model.fit(input_tensor, target_tensor, batch_size=
128
, epochs=
10
)
