internetv的博客

使用Keras搭建神经网络（Keras是基于TensorFlow的一个架构）（tf.keras是Tensorflow的API）神经网络搭建八股第一步，导入相关依赖第二步，告知要喂入网络的训练集和测试集是什么，也就是要指定训练集的输入特征x_train和训练集的标签y_train，还可以指定测试集的输入特征x_test和测试集的标签y_test第三步，在Sequential()中搭建网络结构，逐层描述每层网络，相当于走了一遍前向传播第四步，在compile配置训练方法，告知训练时选择哪种优化器，选择哪种损失函

卷积神经网络

当你有了本领域的数据集 又有了标签 你怎么给x_train,y_train,x_test,x_test赋值呢——自制数据集当你数据量过少，模型见识不足，泛化力会弱——数据增强当每次模型训练都从0开始，很不方便——断点续训，实时保存最优模型神经网络训练的目的是获取各层神经网络的最优参数，只要拿到这些参数就能在其他地方快速实现神经网络的前向传播，因此需要记录这些参数——参数提取，参数存入文本——acc/loss可视化——给图识物的例子#######################################

准备数据：采集大量“特征/标签”数据搭建网络：搭建神经网络结构优化参数：训练网络获取最佳参数（反传）应用网络：将网络保存为模型，输入新数据，输出分类或预测结果（前传） 1)输入时有两个 一个是样本参数，一个是标准答案2）神经网络前向过程实际就是求一个样本是各个答案的概率公式 y=x*w+b其中w、b都是随机值，神经网络的目的就是通过反向训练获得一个最优的w和b，从而让样本计算出是标准答案的概率最大3）损失函数就是判断w和b的优劣性的函数，因此此时目的转化为求w和b使得损失函数最小4）从而引出了梯度