神经网络优化（一）

神经元模型： 用数学公式表示为:$f(\sum _i{x}_i{w}_i+b)$,f为激活函数。神经网络是以神经元为基本单元构成的。
激活函数： 引入非线性激活因素，提高模型的表达力。常用的激活函数有relu、sigmoid、tanh等。
①激活函数relu:在tensorflow中，用tf.nn.relu()表示

②激活函数sigmoid:在tensorflow中用tf.nn.sigmoid()表示

③激活函数tenh：在Tensorflow中，用tf.nn.tanh()表示

神经网络的复杂度：可用神经网络的层数和神经网络中待优化参数的个数表示
神经网络的层数：一般不计入输入层，层数n=n个隐藏层+1个输出层
神经网络待优化的参数：神经网络中所有参数w的个数+所有参数b的个数
例如：

在该神经网络中，博阿涵1个输入层，1个隐藏层，该神经网络的层数为2层。参数的个数是所有参数w的个数加上所有参数b的总数，第一层参数用三行四列的二阶张量表示（即12个线上的权重w）在加上4个偏置b；第二层参数是四行两列的二阶张量（即8个线上的权重w）再加上2个偏执b。总参数=344+4*2+2=26
损失函数(loss)： 用来表示预测值(y)与已知答案(y_)的差距。在训练神经网络时，通过不断改变神经网络中所有参数，使损失函数不断减少，从而训练处更高准确率的神经网络模型。
常用的损失函数有均方误差、自定义和交叉墒等。
均方误差mse： n个样本的预测值y与已知答案y_之差的平方和，再求平均值。$$MSE(y\_,y)=\frac{\sum _{i=1}^n{(y-y\_)}^2}{n}$$
在Tensorflow中用loss_mse=tf.reduce_mean(tf.square(y_-y))
举例：
预测酸奶日销量y，x1和x2是影响日销量的两个因素。
应提前采集的数据有：一段时间内，每日的x1因素、x2因素和销量y_。采集的数据尽量多。
在本例中用销量预测产量，最优的产量应该等于销量。由于目前没有数据集，所以拟造了一套数据集。利用tensorflow中函数随机生成x1、x2，制造标准答案y_=x1+x2，为了更真实，求和后还加了正负0.05的随机噪声。
将这套自制的数据集喂入一个一层的神经网络，拟合预测酸奶日销量的函数。
代码如下：

import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
SEED = 23455

rdm = np.random.RandomState(SEED)
X = rdm.rand(32, 2)
Y_ = [[x1+x2+(rdm.rand()/10.0-0.05)] for (x1, x2) in X]

# 定义神经网络的输入、参数和输出，定义前向传播过程。
x = tf.placeholder(tf.float32, shape=(None, 2))
y_ = tf.placeholder(tf.float32, shape=(None, 1))
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)

# 2定义损失函数以及反向传播方法。
# 定义损失函数为MSE，反向传播方法为梯度下降。
loss_mse = tf.reduce_mean(tf.square(y_ - y))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss_mse)

# 3生成会话，训练STEPS轮
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    STEPS = 20000
    for i in range(STEPS):
        start = (i * BATCH_SIZE) % 32
        end = (i*BATCH_SIZE) % 32 + BATCH_SIZE
        sess.run(train_step, feed_dict={x:X[start:end], y_:Y_[start:end]})
        if i % 500 == 0:
            print("After %d training steps, w1 is:" %(i))
            print(sess.run(w1), "\n")
    print("Final w1 is:\n", sess.run(w1))

结果：

本例中神经网络预测模型为y=w1x1+w2x2，损失函数采用均方误差。通过使损失函数(loss)不断降低，神经网络模型得到最终参数w1=0.98,w2=1.02，销量预测结果为y=0.98x1+1.02x2。由于在生成数据集时，标准答案为y=x1+x2，因此，销量预测结果和标准答案已非常接近，说明该神经网络预测酸奶日销量正确。

**自定义损失函数：**根据问题的实际情况，定制合理的损失函数。
例如：
对于预测酸奶日销量的问题，如果预测销量大于实际销量则会损失成本，如果预测销量小于实际销量则会损失利润。在实际生活中，往往制造一盒酸奶的成本和销售一盒酸奶的利润是不等价的。因此，需要使用符合该问题的自定义损失函数。
自定义损失函数为：$loss=\sum _{n}f(y\_,y)$，其中损失定义成分段函数：

损失函数表示，若预测结果y小于标准答案y_，损失函数为利润乘以预测结果y与标准答案y_之差；若预测结果y大于标准答案y_，损失函数为成本乘以预测结果y与标准答案y_之差。
用Tensorflow表示为：
loss=tf.reduce_sum(tf.where(tf.greater(y,y_),COST(y-y_),PROFIT(y_-y)))
①若酸奶成本为1元，酸奶销售利润为9元，这制造成本小于酸奶利润，因此希望预测的结果y多一些。采用上述的自定义损失函数，训练神经网络模型。
代码如下（对于上一个代码，只需要修改损失函数的步骤即可）：

# 2定义损失函数及反响传播方法。
# 定义损失函数是的预测少了的损失大，于是模型应该偏向多的方向预测。
COST = 1
PROFIT = 9
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_)*COST, (y_ - y)*PROFIT))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

运行结果：

神经网络最终参数为w1=1.03，w2=1.05，销量预测结果为y=1.03x1+1.05x2。由此可见，采用自定义损失函数预测的结果大于采用均方误差预测的结果，更符合实际需求。
②若酸奶成本为9元，酸奶销售利润为1元，这制造陈本大于酸奶利润，因此希望预测结果y小一些。采用上述的自定义损失函数，训练神经网络模型。
训练结果如下：

神经网路最终参数为w1=0.96,w2=0.97,销量预测结果为y=0.96x1+0.97x2。因此，采用自定义损失函数预测的结果小于采用均方误差预测的结果，更符合实际需求。
交叉熵： 表示两个概率分布之间的距离。交叉熵越大，两个概率分布距离越远，两个概率分布越相异；交叉熵越小，两个概率分布距离越近，两个概率分布越相似。
交叉熵计算公式：$$H(y\_,y)=-\sum y\_\ast \log y$$
用Tensorflow函数表示为ce=-tf.reduce_mean(y_*tf.log(tf…clip_by_value(y,le-12,1.0)))
举例：
两个神经网络模型解决二分类问题中，已知标准答案为y_=(1,0)，第一个神经网路模型预测结果为y1=(0.6,0.4)，第二个神经网络模型预测结果为y2=(0.8,0.2)，判断那个神经网络模型预测结果更接近标准答案。
根据交叉熵的计算公式：
$$H_1((1,0),(0.6,0.4))=-(1\times \log 0.6+0\times \log 0.4)\approx -(-0.222+0)=0.222$$$$H_2((1,0),(0.8,0.2))=-(1\times \log 0.8+0\times \log 0.2)\approx -(-0.097+0)=0.097$$
由于0.222>0.097，所以预测结果y2与标准答案y_更接近，y2预测更准确。
**softmax函数：**将n分类的n个输出(y1,y2,…yn)变为满足以下概率分布要求的函数。

softmax函数表示为：$$soft\max (y_t)=\frac{e^{yi}}{\sum _{j=1}^n{e}^{yi}}$$
softmax函数应用：在n分类中，模型会有n个输出，即y1,y2,…,yn,其中yi表示可能性大小。将n个输出经过softmax函数，可得到符合概率分布的分类结果。
在tensorflow中，一般让模型的输出经过softmax函数，以获得输出分类的概率分布，再与标准答案对比，求出交叉熵，得到损失函数，用如下函数实现：
ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
cem = tf.reduce_mean(ce)