版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u010819416/article/details/89674024
3.1 神经网络剖析
训练神经网络围绕：
- 层，多个层组合成网络（或模型）
- 输入数据和相应的目标
- 损失函数，即用于学习的反馈信号
- 优化器，决定学习过程如何进行
3.1.1 层：深度学习的基础组件
层是一个数据处理模块，将一个或多个输入张量转换为一个或多个输出张量。
大多数层是有状态的，即层的权重。
权重是利用随机梯度下降学到的一个或多个张量，其中包含网络的知识。
2D张量用密集连接层来处理，3D张量用循环层来处理，4D张量用二维卷积层来处理。
3.1.2 模型：层构成的网络
深度学习模型是层构成的有向无环图。
3.1.3 损失函数与优化器：配置学习过程的关键
- 损失函数 ：在训练过程中需要将其最小化。它能够衡量当前任务是否已成功完成。
- 优化器 ： 决定如何基于损失函数对网络进行更新。它执行的是随机梯度下降（SGD）的某个变体。
3.2 Keras简介
Keras是一个Python深度学习框架。
3.2.1 Keras、TensorFlow、Theano和CNTK
3.2.2 使用Keras开发：概述
Keras工作流程：
（1）定义训练数据：输入张量和目标张量
（2）定义层组成的网络（或模型），将输入映射到目标
（3）配置学习过程：选择损失函数、优化器和需要监控的指标
（4）调用模型的fit方法在训练数据上进行迭代
定义模型有两种方法：一种是Sequential类（仅用于层的线性堆叠），另一种是函数式API（用于层组成的有向无环图）
3.3. 建立深度学习工作站
3.3.1 Jupyter笔记本：运行深度学习实验的首选方法
3.3.2 运行Keras:两种选择
3.3.3 在云端运行深度学习任务：优点和缺点
3.3.4 深度学习的最佳GPU
3.4 电影评价分类：二分类问题
3.4.1 IMDB数据集
3.4.7 小结
- 通常需要对原始数据进行大量预处理，以便将其转换为张量输入到神经网络中。
- 带有relu激活的Dense层堆叠，可以解决很多种问题，包括情感分类
- 对于二分类问题，网络的最后一层应该是只有一个单元并使用sigmoid激活的Dense层，网络输出应该是0~1范围内的标量，表示概率值
- 对于二分类问题的sigmoid标量输出，你应该使用binary_crossentropy损失函数
- rmsprop优化器通常都是足够好的选择