深度学习--结合代码讲解如何简单训练一个神经网络

前言

或许你差不多理解神经网络，知道神经网络可以理解为一个网，每个网是由多个层堆叠连接起来的。但却没有实操训练过一个自己的网络，下面将结合代码讲解如何训练一个简单的神经网络。

一、神经网络的构造与训练

神经网络的核心组件是层（layer），它是一种数据处理模块，你可以将它看成数据过滤器。 进去一些数据，出来的数据变得更加有用。具体来说，层从输入数据中提取表示——我们期望这种表示有助于解决手头的问题。大多数深度学习都是将简单的层链接起来，从而实现渐进式的数据蒸馏。深度学习模型就像是数据处理的筛子，包含一系列越来越精细的数据过滤器。

训练一个神经网路的步骤一般为：构建网络 -> 编译网路 -> 训练网络。下面来详细讲解流程，使用python的Keras库来学习：

1.构建网络

网络的构建就是layers的堆叠，一般调用 models.Sequential()函数来创建一个网络，使用add来添加网络层。
如以下例子是个简单的两层神经网络，包括2个Dense层,叫做密集连接层或全连接层，是神经网络作为分类器很常用的层。

from keras import models
from keras import layers
network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))

可以看到与第一个层即输入层带有三个参数，第一个参数就是该层网络的输出特征，512表示输出特征有512个通道；第二个参数是该层使用的激活函数，可以理解为输入经过激活函数计算后得到输出特征；第三个参数是输入数据的形状，需要根据你