【tensorflow】如何理解深层神经网络（DNN）？（第二课）_dnn tensorflow

目录

深层神经网络！

1、深层神经网络与深度学习

1.1、线性模型的局限性

什么是线性？

线性模型的局限性：

没有激活函数，就只能是线性吗？

1.2、‘激活函数’去线性化

常见激活函数如下：（ReLU，sigmoid，tanh）

1.3、多层网络的优势

2、损失函数的定义

2.1、经典损失函数

（1）分类问题的经典损失函数--交叉熵

（2）回归问题的经典损失函数--均方误差

2.2、自定义损失函数

3.神经网络优化算法

反向传播算法的机理到底是怎么样的？

4.神经网络进一步优化

4.1、如何设置学习率？

4.2、解决过拟合问题

解决过拟合----正则化

4.3、滑动平均模型

什么是滑动平均模型？

---

深层神经网络！

1、深层神经网络与深度学习

深层神经网络（DNN）是深度学习网络的特点之一-------多层和非线性。

1.1、线性模型的局限性

什么是线性？

分类函数或者回归函数是直线或者平面的时候，就是线性。如下图：

线性模型的局限性：

以下图形无法通过直线划分，这就是线性的局限。

没有激活函数，就只能是线性吗？

不添加激活函数的模型，如下图，就只能是线性，因为w1和w2可以相乘，线性乘线性还是线性。

所以需要激活函数，来去除线性。

1.2、‘激活函数’去线性化

去线性化的结构为：

a本来为 w1x，此时加入了偏置项b（一般取为1），和非线性函数f（），变成$a=f(w_{1}x+b)$，使得神经网络模型变成非线性

这个非线性函数f（）就是激活函数。

常见激活函数如下：（ReLU，sigmoid，tanh）

1.3、多层网络的优势

一个直观的解释，从模型复杂度角度。如果我们能够增强一个学习模型的复杂度，那么它的学习能力能够提升。

如何增加神经网络的复杂度呢？要么变宽，即增加隐层网络神经元的个数；要么变深，即增加隐层的层数。

哪一种更有效？显然是后者。因为后者是用分布式表示的方法探究数据背后更本质的特征，也显示模块化的思想。

这就是层数的优势。

 

2、损失函数的定义

2.1、经典损失函数

（1）分类问题的经典损失函数--交叉熵

上一课中的损失函数，直接用一个代码式子就搞出来了。

这个代码用的是交叉熵（cross entropy）来表示loss，交叉熵是分类问题中用常用的评判方法之一。

其中y_代表真确结果，y代表预测结果。（注意：y_和y都是经过soft回归得到的概率分布）

通过tf.clip_by_value()函数将一个张量中是数值限制在一个范围之内，避免一些错误运算。

# 定义损失函数和反向传播算法
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))  # 损失函数
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)  # 反向传播算法，一步到位

tensorflow把交叉熵和soft回归集合在一起，简化求交叉熵loss的代码：

cross_entropy=tf.nn.softmax_cross_entropy_with_logits(y,y_)

（2）回归问题的经典损失函数--均方误差

mse=tf.reduce_mean(tf.square(y_-y))

2.2、自定义损失函数

有的时候loss是分段的，就是不同情况下，求值方式不同，此时没有固定的公式，要自己设置。

比如当loss是这个分段公式，则么求？

a = 10
b = 1
loss = tf.reduce_sum(tf.where(tf.greater(x,y),(x-y)*a,(y-x)*b))

loss定义完后，还是可以用反向传播算法来优化，把loss当成一个整体，优化写法还是一样的：

train_step=tf.train.AdamOptimizer(0.001).minimize(loss)

3.神经网络优化算法

梯度下降---主要用于优化单个参数。

反向传播---在所有参数下进行梯度下降。

学习率-----每次参数更新的幅度

梯度-------偏导，斜率

反向传播算法的机理到底是怎么样的？

直接用tensorflow的函数吧，当个黑箱。

 

4.神经网络进一步优化

4.1、如何设置学习率？

先用大的，到一定时候，学习率变小。-------指数衰减法，这个学习率叫做衰减学习率。

指数衰减法函数 tf.train.expotential_decay()

learning_rate=tf.train.expotential_decay(0.1,global_step,100,0.96,staircase=True)

4.2、解决过拟合问题

过拟合----模型过于复杂

欠拟合----模型过于简单

解决过拟合----正则化

正则化是解决过拟合问题的一种最基本的方法。

他的思想就是在损失函数$J(\theta)$中加入刻画模型复杂度的指标$\lambda R(w )$，所以loss变成${\color{Red} J(\theta)+\lambda R(w )}$，最后优化的是这个。

根据R(w)的不同，分为L1正则化、L2正则化。

4.3、滑动平均模型

什么是滑动平均模型？

使模型在位置数据（测试集）上更健壮。