Kaggle翻译，第十九天：深度学习入门 1/6

单一神经元

学习关于线性单元：深度学习的基石

欢迎来到深度学习！

欢迎来到kaggle的深度学习介绍课程系列！你将学到要建立自己的深度神经网络的所有知识。借助Keras和Tensor flow，你将学到：

• 如何让创建全连接的神经网络架构；
• 将神经网络应用于两类经典的机器学习问题：回归和聚类
• 使用随机梯度下降训练神经网络
• 使用省略（dropout）和批量正常化（batch normalization）和其他技巧来提升性能。

介绍中将使用完全可运行的例子，在练习中，你将深入了解这些话题，并且将他们应用于实际数据集中。

让我们开始吧！

什么是深度学习？

• 近些年最深入人心的人工智能成果就是在深度学习领域的。自然语言翻译、图像识别、还有游戏AI都是深度学习模型接近甚至超过人类能力的产物。
• 那什么是深度学习呢？深度学习时一种以大量计算为特性的机器学习方法。如此大量的计算已经使得深度学习模型解决了许多来自生活数据集、极具挑战性、复杂且具有层级特征的规律问题。
• 由于它的能力和可扩展性，神经网络已经成为深度学习的代名词。神经网络式由众多神经元构成的，每个神经元仅负责一个简单计算。而神经网络的能力则来源于这些神经元连接的复杂性。

线性单元

• 那么让我们从神经网络的基本元素：单一神经元开始吧；
• 单一神经元可以表示为式子：y = wx + b
• x 表示输入，神经元本身有一个 权重 w。无论什么输入流经神经元，你都将输入值乘权重。所以对于每个输入的 x 到达神经元时就变成了 w * x 神经元通过调节权重来“学习”。
• 其中 b 表示一中特殊的权重叫 偏差。偏差和输入数据无关，相反，如果我们将输入看成1，那么经过神经元后得到的就是 b 。偏差提供了一种与输入无关的修改输出的方式。
• y 作为神经元的最终输出。想要获得就走公式 y = w * x + b。我们又称这个神经元的激活值是 y = w * x + b。

式子 y = w * x + b 看着熟悉不？
没错，就是直线的斜截式，w是斜率，y表示截距。

案例：使用单一神经元做模型

• 虽然单一神经元仅仅在更大的网络中发挥作用，但是我们从单一神经元作为基础开始学习要方便很多。
• 设想一下我们使用80麦片的数据集。模型将 Suger （每克含糖量）作为输入，要求计算calories （每份的卡路里量）作为输出，我们就能得到偏差值是90，权重为2.5 。我们可以来估测提供的每5克糖的卡路里量是 calories=2.5×5+90=102.5 。

多重输入

• 80麦片数据集中不止有糖分作为特征，如果我们想将模型中包括纤维、蛋白质怎么办？很简单。我们可以将众多输入接入神经元，每一个代表不同的特征，要得到输出，我们就分别将输入乘权重加上偏差值，最后在求和就可以了。这个神经元的公式就变成了：y=w0x0+w1x1+w2x2+b 。有两个输入的单一神经元就组成一个平面，多个输入的神经元就组成一个超平面。

Keras中的线性单元

• 创建模型的最简单方法就是使用keras.Sequential，它创建一个许多层 构成的神经网络，我们可以使用Dense层来创建上面提到的模型（这个我们下节再说）。
• 我们可以定义一个线性模型输入三种特征（‘sugars’, ‘fiber’, ‘protein’），外加单个输出（‘calories’）

from tensorflow import keras
from tensorflow.keras import layers

# Create a network with 1 linear unit
model = keras.Sequential([
    layers.Dense(units=1, input_shape=[3])
])

• 第一个参数 units表示我们要几个输出，这里只有一个；
• 第二个参数 input_shape 告诉Keras输入的维度，我们将它设置为 input_shape=[3] 保证模型将接收三个特征作为输入（‘sugars’, ‘fiber’, ‘protein’）
• 那么，这个模型就可以用数据来训练啦！

为什么 input_shape 是一个Python列表？
我们这里用到的数据是表格式数据，例如Pandas的数据框架。我们每个数据集中的特征作为一个输入。特征是按一列一列排列的。所以input_shape=[num_columns]。Keras这里允许使用列表是因为要使用更复杂的数据集，例如图片数据可能就要使用三维：[高度，宽度，通道]。