吴恩达2022机器学习--神经网络（求指点）

神经网络的结构：输入层--隐藏层--输出层

通俗理解：神经网络分几层，每层有每层的输入，经过该层运算后输出到下一层进行输出

神经网络的架构问题：想要多少隐藏层？每个隐藏层有多少个神经元（每层隐藏单元数量）？

人为选定的特征作为输入由输入层进入，经隐藏层运算后简化了原本的输入的特征，综合为一个矢量作为输出层的输入，输出层运算后输出最后的结果，这个最后的结果也称做神经网络的最终激活/最终预测。

神经网络的最终激活/预测是怎样自主实现的？（通过大量训练集来预测？）；隐藏层是否就是前文所提到的各类回归模型，回归模型在这儿的作用是什么呢？

不同隐藏层中的神经元负责不同特征的检测，这就是神经网络的非凡之处：在不同的隐藏层中学习这些特征检测器。神经网络可以自主地将所需检测的物体特征进行分层识别，按照由小到大或其他顺序（eg.人脸识别--计算机视觉应用）

神经网络中的层：

以一层为例：输入层，也称为0层，可以是多个特征（构建成一个向量）；隐藏层，称为1层，隐藏层中可以有多个神经元（神经元在数学上表示即为各个回归模型的方程，只是参数w/b不同）隐藏层的输出是神经元的计算的结果，构建成新的向量递给输出层；输出层，也称为2层，输出的内容需要经过输出层神经元的计算（输出的神经元可能是另外一个回归模型），由于输出层神经元仅有一个，因此输出层的内容仅仅是一个数字，一个标量，而不再是一个向量。（eg.烤咖啡豆）

输出层输出标量后，可在末端设置一个判决器，判断输出的这个标量与设置好的阈值的大小，由比较情况输出不同的结果，这就是神经网络的预测。由于计算是从左往右移，这个顺序也叫前向预测/前向传播。

Tensor：一种数据类型，用于在矩阵上充分存储和执行计算。常常把tensor看作是矩阵的一种计算方式。

Numpy：python中一种开源的数值计算扩展。

程序实现：如何实现数值之间的转化？由矩阵转化为数组

在tensorflow中实现对神经网络的推断：

构建第一层和第二层的神经网络：

Layer_1=Dense(units=3,activation=‘’sigmoid’’)

  第一层的神经元为3个    激活函数为

Layer_2=Dense(units=1,activation=‘’sigmoid’’)

model=Sequential([layer_1,layer_2])把第一、二层放入一个顺序函数中

神经网络模型为两层按前向传播实现，即先第一层再第二层

x=np.array(....)

y=np.array(....)  搭建训练集，将输入特征的x和结果y输入进行训练

下一步训练模型，要用到以下函数：

model.compile(...)

Model.fit(x，y)  表明神经网络是将第一层和第二层拉紧进行计算的，并且在给定的数据上进行训练

最后在这个已经训练好的模型上做预测，只需要调用模型进行预测：

model.predict(x_new)