[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):](#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:

python 复制代码
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense

model = 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:

python 复制代码
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

python 复制代码
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。

python 复制代码
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

python 复制代码
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

python 复制代码
 Dense(units = 25,activation='linear')

回归模型

输出只能是0以及正数,可以选择ReLU

python 复制代码
   Dense(units = 25,activation='relu')
相关推荐
Teacher.chenchong21 分钟前
现代R语言机器学习:Tidymodel/Tidyverse语法+回归/树模型/集成学习/SVM/深度学习/降维/聚类分类与科研绘图可视化
机器学习·回归·r语言
TomatoSCI23 分钟前
聚类的可视化选择:PCA / t-SNE丨TomatoSCI分析日记
人工智能·机器学习
lucky_lyovo36 分钟前
卷积神经网络--网络性能提升
人工智能·神经网络·cnn
nju_spy44 分钟前
周志华《机器学习导论》第8章 集成学习 Ensemble Learning
人工智能·随机森林·机器学习·集成学习·boosting·bagging·南京大学
星座5281 小时前
基于现代R语言【Tidyverse、Tidymodel】的机器学习方法与案例分析
机器学习·r语言·tidyverse·tidymodel
亲持红叶1 小时前
GLU 变种:ReGLU 、 GEGLU 、 SwiGLU
人工智能·深度学习·神经网络·激活函数
石迹耿千秋7 小时前
迁移学习--基于torchvision中VGG16模型的实战
人工智能·pytorch·机器学习·迁移学习
Wendy14419 小时前
【线性回归(最小二乘法MSE)】——机器学习
算法·机器学习·线性回归
绝顶大聪明10 小时前
【深度学习】神经网络-part2
人工智能·深度学习·神经网络
Danceful_YJ11 小时前
16.使用ResNet网络进行Fashion-Mnist分类
人工智能·深度学习·神经网络·resnet