##数据来源 #
前言
这篇文章介绍了用于光谱数据回归的深度神经网络(DNN)。
在第一篇文章中,我们将使用Tensorflow和Keras编写一些基础代码,对样本近红外数据进行全连
接DNN训练。
本文的目的是为学生和实践者提供一个起点,让他们能够构建自己的DNN架构。
文章内容
在第一部分中,我们将介绍一个简化的DNN方案,用于解释设计和训练DNN所使用的主要参数的
含义,以及一个示例工作流程。
感知器介绍:
DNN的基本构建块是感知器(有时称为神经元)。感知器是一个数学函数,它接收一组输入,
并根据这些输入的加权和和一个阈值函数生成输出。阈值函数确保如果输入的加权和超过某个阈值,
感知器将生成一个输出(神经元将“触发”)。DNN是串联感知器的序列。
训练DNN意味着找到每个神经元权重的值,以便对于任何给定的输入,系统生成的输出最小化给定训练/测试数据集的误差度量。当应用于回归问题时 - 正如我们在这里所做的
那样 - 预期DNN能够为任何给定的光谱输入生成连续输出,对应于我们通过光谱测量希望估计的参数值。
训练神经网络的数学(称为反向传播过程)需要一定程度的微