吴恩达机器学习笔记.Day7

——这事好的

一、神经网络密集流

我们之前以一种形态建立了一个前馈神经网络，在这里，我们在Tensorflow里面还有一种方式来搭建前馈神经网络

在这里，我们不用经过第一层的计算然后传递到第二层，不借助a1和a3，而是采用顺序函数，将第一层和第二层连接起来，这样便简化了我们的代码。

二、强人工智能（AGI）

我们目前大多数的ai都是ANI（弱人工智能），而弱人工智能只是人工智能的一个分支，还有一种人工智能叫做强人工智能，我们利用强人工智能做一些人类做不到的事情。强人工智能比弱人工智能更加的强大，更加的接近甚至超越人脑。

但是这是一个很困难的事情，人类的神经元不是一个简单单一的逻辑函数。

三、神经网络为何如此高效

首先不得不提到我们的向量化，向量化大幅的提高了我们的运算效率。我们可以通过矩阵乘法快速有效的实现。

矩阵以及向量化有效的缩减了代码量，让我们更高效的来执行

四、Tensorflow的实现

训练神经网络是一个非常有趣的事情，如今我们终于也学到了这一步——好耶！！！

我们继续我们之前的手写数字识别的例子，我们继续用我们之前熟悉的神经网络架构，仍然是第一个隐藏层有25个神经元，第二个隐藏层有15个神经元。最后有一个输出单元。

这是一个简单的代码，我们很容易便可以理解其中的意思，这个模型便是把三层神经元用Sequential链接起来。

那我们的第二步便是让Tensorflow编译这个模型，让Tensoflow编译模型的关键步骤是选定我们要用的代价函数，这里我们使用一个神秘的函数，叫做稀疏分类交叉熵。而确定了代价函数之后下一步便是调用我们的拟合函数。

圆圈2这一行的代码便是制定了我们的代价函数。

我们必须确定我们梯度下降的步数以及我们的时间，epochs便是我们进行梯度下降所用的步数。