基础中的基础！吴恩达deeplearning.ai:如何搭建一个神经网络

在前面几篇博客的学习之后，你应该了解了如何写出Tensorflow有关的代码，如何在Tensorflow中搭建一个层以及如何在Tensorflow之中实现前向推理（链接），也了解了Tensorflow有关的数据形式（链接）
今天，我们要把这些内容放在一起,搭建一个真正的神经网络密集负载，其实就是用tensorflow的一些库函数简化了代码，同时会采用一种不同且更加简单的方式。

---

之前的写法

x = np.array([[200.0, 17.0]])
layer_1 = Dense(units=3, activation='sigmoid')
a_1 = layer_1(x)

layer_2 = Dense(units=1, activation='sigmoid')
a_2 = layer_2(a_1)
1
2
3
4
5
6

之前构建神经网络的做法是，先创建了特征向量，再分别构建隐藏层和最终输出层，然后一步一步前向传播最终得到预测值。这是一种显式的构建方式。

新的写法

事实上，Tensorflow有多种不同的方式来实现前向传播以及学习方式，让我来展示一种：
和以前一样的是创建层：

layer_1 = Dense(units=3, activation='sigmoid')
layer_2 = Dense(units=1, activation='sigmoid')
1
2

但现在不是手动获取数据并传入第一层，然后再手动传入第二层等等，相反，我们可以告诉Tensorflow，希望它采用第一层和第二层并且串在一起形成一个神经网络，写法为：

model = Sequential([layer_1, layer_2])
1

简单点说，以上代码就是告诉Tensorflow，把这俩层按照顺序串联好。事实证明，使用Sequential框架可以做很多事情，假设你有这么一个咖啡的例子(不了解的可以看我上面的链接,以前提到过）：

你可以将x存储为矩阵：

x = np.array([[200, 17],
              [120, 5],
              [425, 20],
              [212, 18]])
1
2
3
4

你也可以将y存储为矩阵,采取的形式为一维数组：

y = np.array([1，0，0，1])
1

然后将以前的一大堆内容简化为了这三个库函数：

model.compile(...)
model.fit(x, y)
model.predict（x_new)
1
2
3

如果你想运行这个神经网络，且你想调用一些参数，那么可以使用model.compile(以后详细讲）
model.fit(x, y)，它可以告诉Tensorflow按照顺序将第一层和第二层串联在一起搭建神经网络并进行拟合。
假设你有一组新的特征向量x_new,你可以用model.predict（x_new)来进行预测。

layer_1 = Dense(units=3, activation='sigmoid')
layer_2 = Dense(units=1, activation='sigmoid')
model = Sequential([layer_1, layer_2])
1
2
3

所有一般来说，以上三行显式的代码在定义完之后不用重复写了，因为可以使用：

model.compile(...)
model.fit(x, y)
model.predict（x_new)
1
2
3

的形式来隐式表示，里面可以具体定义有几层，每层各多少神经元，用的什么激活函数之类的

数字分类重写

让我们也用以上方法重新写下以前博客写过的数字分类(可以在我的博客中找到）
第一步定义下各层：

layer_1 = Dense(units=25, activation='sigmoid')
layer_2 = Dense(units=15, activation='sigmoid')
layer_3 = Dense(units=1, activation='sigmoid')
1
2
3

第二步使用Squential把三层串联在一起：

model = Sequential([layer_1, layer_2, layer_3])
1

第三步使用compile定义具体参数：

model.compile(...)
1

第四步定义下数据集：

x = np.array([[0.0，...245,...240,...0]
              [0.0，...200,...184,...0]])
y = np.array([1, 0]）
1
2
3

第五步进行拟合：

model.fit(x, y)
1

第六步进行预测：

model.predict(x_new)
1

一二步代码可以用嵌套的形式，更加简接：

model = Squential([
  Dense(units = 25, activation = 'sigmoid'),
  Dense(units = 15, activation = 'sigmoid'),
  Dense(units = 1, activation = 'sigmoid')
  ])
1
2
3
4
5

为了给读者你造成不必要的麻烦，博主的所有视频都没开仅粉丝可见，如果想要阅读我的其他博客，可以点个小小的关注哦。