Deep Learning with Python第二章（翻译）3

为了让网络做好准备去训练，我们需要再选出三个东西作为编写的步骤：

失分方程——网络如何来衡量它在训练数据上的表现，以及它如何因此来使自己驱使向正确的方向。

优化——网络根据它看到的数据以及失分功能来更新自己的机制

在训练和测试时的用以监督的度量标准——这里，我们仅专注精度（正确分类了的那部分图片）

失分方程和优化的额外部分会在接下来的两章里说明清楚

在训练前，我们将会重新塑型数据成网络需求的形态并缩放他们的比例进[1,0]之间来进行预处理。之前，例如，我们训练的以（60000，28，28）uint8格式存储的有着[0，255]区间值的图片组。我们将它转变为以（60000，28，28）float32位格式存储的值在0到1之间的图片组

我们也需要明确的编辑标签，这一步在第三章有解释。

（略）

我们现在准备训练网络，这是Keras通过调用网络的fit方法做到的——我们fit模型来训练它的数据。

在训练的过程中这里有两个问题凸显出来：通过训练数据得到的网络的损失，以及通过训练数据得到的网络精度

我们很快就在训练数据上达到了0.989（98.9%）的精度。现在让我们看看模型是否在测试组也表现良好：

（略）

测试组达到了97.8%——这确实比训练组精度要低一点。训练精度与测试精度之间的微小差距就是过度适应的例子：事实上机器学习模型在新数据上的表现倾向于比在训练数据上糟糕。过度适应是第三章的主要内容。

我们第一个例子的总结——你仅仅看到了你怎样才能在20行python代码内建立并训练一个神经网络来分辨手写数字。在下一章，你会学到张量，进入网络中数据存储对象；由层制作的张量操作，和梯度下降，这让你的神经网络学习了它的训练例子。

转载于:https://www.cnblogs.com/zzheng-blog/p/10828820.html