7、基于Keras的深度学习入门指南

基于Keras的深度学习入门指南

1. 学习目标与概述

在深入学习之前，先明确我们的学习目标：
- 能够将Keras定义为顺序模型。
- 开发单层和多层的Keras模型。
- 评估训练好的模型。
- 解释过拟合和欠拟合现象。
- 运用提前停止技术减少过拟合。

我们将从简单的逻辑回归模型逐步扩展到复杂的多层神经网络，过程中会学习神经网络的基本概念，如前向传播、损失计算、反向传播和梯度下降，还会了解激活函数、损失函数和优化器的选择。

2. 从逻辑回归到深度神经网络

2.1 逻辑回归与神经网络的联系

逻辑回归本质上是一种非常简单的神经网络，只有一个隐藏层且该隐藏层只有一个节点。在逻辑回归中，模型的参数被称为系数和截距；而在深度学习模型里，这些参数被称为权重（w）和偏置（b）。

在每个节点/单元中，输入值会乘以一些权重，然后将偏置项加到这些加权输入的总和上。接着，会应用一个非线性函数（如逻辑回归模型中的Sigmoid函数）来计算节点的最终输出。在深度学习中，这个非线性函数被称为激活函数，节点的输出被称为该节点的激活值。

2.2 神经网络的结构

神经网络通常由输入层、输出层和一个或多个隐藏层组成。如果只有一个隐藏层，该网络被称为浅层神经网络；而具有多个隐藏层的网络则被称为深度神经网络，训练深度神经网络的过程就是深度学习。

在深度学习中，输入层的节点数等于输入数据的特征/维度数，输出层的节点数等于输出数据的维度数。但隐藏层的节点数需要开发者自行选择，这是一个超参数。选择较大的隐藏层会使模型更灵活，能够模拟更复杂的