象话的博客

输入层：titletext_bodytags是三个输入层，分别代表文章的标题、正文和标签。它们被定义为层，其中shape参数指定了输入数据的维度。这里有一个需要注意的地方，通常文本数据（如标题和正文）不会直接以词汇表大小（）作为输入维度，而是需要先经过嵌入层（Embedding Layer）转换为固定大小的密集向量。不过，为了简化示例，这里直接使用了词汇表大小作为输入维度。特征合并：使用层将三个输入的特征合并成一个单一的张量。隐藏层：通过一个具有64个单元和ReLU激活函数的Dense。

是一个常用的损失函数，特别是当目标变量是整数编码的类别索引时（即，不是one-hot编码的）。它对于许多不同的问题都是一个很好的选择，因为它自动调整学习率，并且对于不同的参数可以有不同的学习率。模型非常适合于构建简单的堆叠模型，但如果你需要构建更复杂的模型（例如，具有多个输入或输出的模型，或者层之间具有跳过连接的模型），则可能需要使用。当你调用这个方法时，你正在告诉模型使用给定的数据（输入和标签）进行训练，以及训练过程中的一些关键参数。参数仅在模型的第一层中指定，它定义了输入数据的形状（不包括批量大小）。

深度学习之“深度”并不是说这种方法能够获取更深层次的理解，而是指一系列连续的表示层。深度学习是机器学习的一个分支领域：它是从数据中学习表示的一种新方法，强调从连续的层中学习，这些层对应于越来越有意义的表示。对于图中从 A 到 B 的每条边，我们都画一条从 B 到 A 的反向边，在深度学习中，这些分层表示是通过叫作神经网络（ neural network）的模型学习得到的。一些核心概念是从人们对大脑（特别是视觉皮层）的理解中汲取部分灵感而形成的，但深度学。这个反向图表示的是反向传播过程。