10、神经网络与自编码器实战：从图像分类到特征压缩

神经网络与自编码器实战：从图像分类到特征压缩

1. 神经网络模型构建与确认

在构建好神经网络模型后，可使用 summary 方法来确认模型结构和可训练参数（权重）的数量。示例代码如下：

model.summary()

此方法输出的表格会总结神经网络的结构，例如一个包含两层的网络，第一层有 500 个单元，第二层有 10 个输出单元，同时还会显示每层可训练权重的数量以及网络中可训练权重的总数。

2. 神经网络训练基础

在定义好神经网络模型后，就可以开始训练过程。这里先进行有监督学习训练，熟悉 Keras 框架，再转向自编码器的训练。有监督学习是为模型提供输入信息和已知输出，目标是构建一个网络，仅使用模型参数将输入信息转换为已知输出。

在像 CIFAR - 10 这样的有监督分类示例中，输入信息是图像，已知输出是图像所属的类别。训练时，对于每个样本预测，使用指定的误差函数计算前馈网络预测的误差，然后调整模型中的每个权重以减少误差，这个调整过程称为反向传播，即误差从输出端反向传播到网络起始端。

反向传播时，每个可训练权重的调整量与它对总误差的贡献成正比，并乘以学习率，学习率控制可训练权重的变化率。学习率的选择很关键，过大可能导致无法收敛到最小误差，过小则可能导致找不到全局最小值。通常可以先使用较大的学习率，再逐步减小。

训练会重复进行，直到预测误差不再减小或开发者失去耐心。完成训练过程需要做出一些设计决策：
- 误差函数 ：有多