[Machine Learning][Part 8]神经网络的学习训练过程

目录

训练过程

一、建立模型：

二、建立损失函数 J(w,b):

三、寻找最小损失函数的(w,b)组合

为什么需要激活函数

 激活函数种类

二分法逻辑回归模型

线性回归模型

回归模型

---

训练过程

一、建立模型：

根据需求建立模型，从前面神经网络的结果可以知道，每一层都有若干个模型在运行，因此建立神经网络就需要先根据需求确定计算模型,也就是得到

 逻辑回归模型公式为：

上面三层的神经网络的代码实现为： 

import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Densemodel = Sequential([Dense(units = 25,activation='Sigmoid')Dense(units = 25,activation='Sigmoid')Dense(units = 25,activation='Sigmoid')
])

二、建立损失函数 J(w,b):

 例如线性回归的

 二分法逻辑回归的损失函数为：

 代码实现为：

from tensorflow.keras.losses import BinaryCrossentropy
model.compile(loss = BinaryCrossentropy())

三、寻找最小损失函数的(w,b)组合

梯度下降法：

 代码实现为：循环100次

model.fit(X,y,epochs=100)

为什么需要激活函数

可以看到在建立模型的过程中，代码中使用了activation激活函数。

Dense(units = 25,activation='Sigmoid')

如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。
 具体的分析这个博主讲的很清楚，可以参考学习一下： 

深度学习：神经网络中为什么需要使用激活函数？（超详细）_神经网络为什么需要激活函数-CSDN博客

 激活函数种类

二分法逻辑回归模型

这种模型输出非0即1，可以选择Sigmoid

Dense(units = 25,activation='Sigmoid')

线性回归模型

这种输出可以是各种正负数值，可以仍然选用线性激活函数linear activation function

 Dense(units = 25,activation='linear')

回归模型

输出只能是0以及正数，可以选择ReLU

   Dense(units = 25,activation='relu')