一个简单的深度学习模型，带你深度了解背后原理

全文共4431字，预计学习时长9分钟

深度学习是目前在实际数据科学应用中最流行的模型之一。从图像到文本，再到语音/音乐等领域，它都是一个有效的模型。随着使用量的上升，快速且可扩展地实现深度学习变得至关重要。Tensorflow等深度学习平台的兴起可以帮助简化开发人员的实现方式。

在本文中，我们将学习深度学习的工作原理，并熟悉相关术语，例如反向传播和批量大小。我们将实现一个简单的深度学习模型 - 从理论到scratch实现 - 使用python预定义输入和输出，然后使用Keras和Tensorflow等深度学习平台实现相同的模型。

我们使用Keras和Tensorflow 1.x和2.0编写了这个简单的深度学习模型，该模型具有三种不同级别的复杂性和易编码性。

Scratch的深度学习实现

一个简单的多层感知器有4个输入神经元，隐含层有3个神经元，输出层有1个神经元。我们有三个输入数据样本，用表示，三个期望输出数据样本，用表示。因此，每个输入数据样本都有4个特征。

# Inputs and outputs of the neural net:import numpy as
 npX=np.array([[1.0, 0.0, 1.0, 0.0],[1.0, 0.0, 1.0, 1.0],[0.0, 1.0, 0.0, 
1.0]])yt=np.array([[1.0],[1.0],[0.0]])

该神经网络有4个输入神经元，1个隐含层有3个神经元，输出层有1个神经元

图中 x(m)是X的1个样本，h(m)是x(m) 输入的隐含层输出，Wi和Wh为权重。

神经网络（NN）的目标是为给定输入获得权重和偏差，NN提供期望输出。但是，我们事先并不知道什么是适当的权重和偏差，因此我们需要更新权重和偏差，使得NN、和期望的的输出之间的误差最小化。这种