再不入坑就晚了,深度神经网络概念大整理，最简单的神经网络是什么样子？

目录

1.神经网络训练过程

2、基础概念

3、数据预处理手段

4、数据处理库

5、训练集、测试集࿰c;测试集

5、损失函数

6、优化器

7、激活函数

8、Hello world

9、总结

---

推荐阅读  点击标题可跳转

1、再不入坑就晚了࿰c;从零学pytorch࿰c;一步一步环境搭建

今天是第一篇文章࿰c;希望自己能坚持࿰c;加油。

深度神经网络就是用一组函数去逼近原函数࿰c;训练的过程就是寻找参数的过程。

1.神经网络训练过程

神经网络的训练过程如下：

• 收集数据࿰c;整理数据

• 实现神经网络用于拟合目标函数

• 做一个真实值和目标函数值直接估计误差的损失函数࿰c;一般选择既定的损失函数

• 用损失函数值前向输入值求导࿰c;

• 再根据导数的反方向去更新网络参数(X),目的是让损失函数值最终为0.࿰c;最终生成模型

  

各层概念解释

• 输入层：就是参数输入

• 输出层：就是最后的输出

• 隐藏层（隐含层）：除去其他两层之外的层都可以叫隐藏层

 模型是什么：

• 模型包含两部分࿰c;一部分是神经网络的结构࿰c;一部分是各个参数࿰c;最后训练的成果就是这个

2、基础概念

1、数学知识

1.1导数

导数在大学的时候还是学过的࿰c;虽然概念很简单࿰c;但是过了这么多年几乎也都忘了࿰c;连数学符号都不记得了࿰c;在复习之后才理解：就是表示数据变化的快慢࿰c;是变化率的概念࿰c;比如重力加速度࿰c;表示你自由落体之后每秒速度的增量。

数学公式是：

不重要࿰c;看不看的懂都行࿰c;因为在后面的学习中也不会让你手动求导࿰c;框架里都有现成的函数

1.2 梯度

梯度的本意是一个向量（矢量）࿰c;表示某一函数在该点处的方向导数沿着该方向取得最大值࿰c;即函数在该点处沿着该方向（此梯度的方向）变化最快࿰c;变化率最大（为该梯度的模）

梯度：是一个矢量࿰c;其方向上的方向导数最大࿰c;其大小正好是此最大方向导数。

@H_874_122@

2、前向传播和反向传播

前向传播就是前向调用࿰c;正常的函数调用链而已࿰c;没什么特别的࿰c;破概念搞得神神秘秘的

比如

def a(input):
    return y

def b(input):
    return y2
# 前向传播
def forWARD(input):
    y = a(input)
    y2 = b(y)

反向传播

反向传播就是根据误差和学习率࿰c;将参数权重进行调整࿰c;具体的算法下次会专门写一篇文章进行解析。

3、数据预处理手段

3.1 归一化(normalization)

将数据放缩到0~1区间࿰c;利用公式（x-min）/（max-min）

3.2 标准化（Standardization）

   数据的标准化是将数据按比例缩放࿰c;使之落入一个小的特定区间。将数据转化为标准的正态分布࿰c;均值为0࿰c;方差为1

3.3 正则化

正则化的主要作用是防止过拟合࿰c;对模型添加正则化项可以限制模型的复杂度࿰c;使得模型在复杂度和性能达到平衡。

3.4 独热码编码 （one hot）

one hot编码是将类别变量转换为机器学习算法易于使用的一种形式的过程。one-hot通常用于特征的转换

比如：一周七天࿰c;第三天可以编码为 [0,0,1,0,0,00]

注：我把英语都补在了后面࿰c;并不是为了装逼࿰c;只是为了下次看到这个单词的时候知道这个单词在表示什么。

4、数据处理库

numpy ࿰c;pandas࿰c; matplotlib 这三个是数据分析常用的库࿰c;也是深度学习中常用的三个库

4.1 numpy

numpy 是优化版的python的列表࿰c;提高了运行效率࿰c;也提供了很多便利的函数࿰c;一般在使用的时候表示矩阵

numpy中的一个重要概念叫shape ,也就是表示维度

注：numpy 的api 我也使用不熟练࿰c;相信会在以后的学习过程中熟练的࿰c;使用的时候查一查࿰c;不用担心。

4.2 pandas

Pandas 的主要数据结构是 Series （一维数据）与 DataFrame（二维数据）.

[Series] 是一种类似于一维数组的对象࿰c;它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。

DataFrame 是一个表格型的数据结构࿰c;它含有一组有序的列࿰c;每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引࿰c;它可以被看做由 Series 组成的字典（共同用一个索引）。

注：pandas 可以当做Excel使用࿰c;里面的api 我也使用不熟练࿰c;不用担心࿰c;可以扫下核心概念就好

4.3 matplotlib

@H_231_1@matplotlib  是画图用的࿰c;可以用来在学习的过程中对数据进行可视化࿰c;我还没有学习这个库࿰c;只会照猫画虎࿰c;所以放轻松࿰c;只是告诉你有这么个东西࿰c;不一定现在就要掌握

5、训练集、测试集࿰c;测试集

训练集：用来训练模型的数据࿰c;用来学习的

验证集：用来验证模型的数据࿰c;主要是看下模型的训练情况

测试集: 训练完成之后࿰c;验证模型的数据

一般数据的比例为6:2:2

一个形象的比喻：

训练集----学生的课本；学生 根据课本里的内容来掌握知识。

验证集----作业࿰c;通过作业可以知道 不同学生学习情况、进步的速度快慢。

测试集----考试࿰c;考的题是平常都没有见过࿰c;考察学生举一反三的能力。

5、损失函数

损失函数用来评价模型的预测值和真实值不一样的程度࿰c;损失函数越好࿰c;通常模型的性能越好。不同的模型用的损失函数一般也不一样.

注：f(X) 表示预测值࿰c;Y 表示真实值࿰c;

这些只是常用的损失函数࿰c;实现不同而已࿰c;在后面的开发理解各个函数就行了࿰c;API caller 不用理解具体的实现࿰c;就像你知道快速排序的算法原理࿰c;但是没必要自己去实现࿰c;现成的实现拿来用不香吗？

6、优化器

优化器就是在深度学习反向传播过程中࿰c;指引损失函数（目标函数）的各个参数往正确的方向更新合适的大小࿰c;使得更新后的各个参数让损失函数（目标函数）值不断逼近全局最小。

常见的几种优化器

7、激活函数

激活函数就是对输入进行过滤࿰c;可以理解为一个过滤器

常见的非线性激活函数通常可以分为两类࿰c;一种是输入单个变量输出单个变量࿰c;如sigmoid函数࿰c;Relu函数；还有一种是输入多个变量输出多个变量࿰c;如Softmax函数࿰c;R_926_11845@axout函数。

• 对于二分类问题࿰c;在输出层可以选择 sigmoid 函数。

• 对于多分类问题࿰c;在输出层可以选择 softmax 函数。

• 由于梯度消失问题࿰c;尽量sigmoid函数和tanh的使用。

• tanh函数由于以0为中心࿰c;通常性能会比sigmoid函数好。

• ReLU函数是一个通用的函数࿰c;一般在隐藏层都可以考虑使用。

• 有时候要适当对现有的激活函数稍作修改࿰c;以及考虑使用新发现的激活函数。

8、Hello world

说了很多概念࿰c;搞个demo 看看࿰c;下面是一个最简单的线性回归的模型。

环境的安装在文章的开头。

import torch as t
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
import numpy as np

# 学习率࿰c;也就是每次参数的移动的大小
lr = 0.01
# 训练数据集的次数
num_epochs = 100
# 输入参数的个数
in_size = 1
#输出参数的个数
out_size = 1
# x 数据集
x_Train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168],
                    [9.779], [6.182], [7.59], [2.167], [7.042],
                    [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)
# y 对应的真实值
y_Train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573],
                    [3.366], [2.596], [2.53], [1.221], [2.827],
                    [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)
# 线性回归网络
class LinerRegression(nn.ModulE):
    def __init__(self, in_size, out_sizE):
        super(LinerRegression, self).__init__()
        self.fc1 = nn.Linear(in_size, out_sizE)

    def forWARD(self, X):
        y_hat = self.fc1(X)
        return y_hat


model = LinerRegression(in_size, out_sizE)
# 损失函数
lossFunc = nn.MSELoss()
# 优化器
optimizer = optim.SGD(model.parameters(), lr=lr)
# 对数据集训练的循环次数
for epoch in range(num_epochs):
    x = t.from_numpy(x_Train)
    y = t.from_numpy(y_Train)
    y_hat = model(X)
    loss = lossFunc(y_hat, y)
    # 导数归零
    optimizer.zero_grad()
    # 反向传播࿰c;也就是修正参数࿰c;将参数往正确的方向修改
    loss.BACkWARD()
    optimizer.step()
    print("[{}/{}] loss:{:.4f}".format(epoch+1, num_epochs, loss))

# 画图看下最终的模型拟合的怎么样
y_pred = model(t.from_numpy(x_Train)).detach().numpy()
plt.plot(x_Train, y_Train, 'Ro', label='Original Data')
plt.plot(x_Train, y_pred, 'b-', label='Fitted Line')
plt.legend()
plt.show()

上面是最简单的一个线性回归的神经网络࿰c;没有隐藏层࿰c;没有激活函数。

运行很快࿰c;因为参数很少,运行的最终结果可以看下࿰c;最终达到了我们的结果࿰c;你可以试着调整一些参数

9、总结

今天写了很多的概念࿰c;不需要全部掌握࿰c;先混个脸熟࿰c;先有个全局观࿰c;慢慢的认识即可࿰c;里面的公式很多࿰c;不需要看懂࿰c;be easy.