在前两篇文章中，我们学习了如何从密集层(dense)的堆栈中构建完全连接的网络。首次创建时，网络的所有权重都是随机设置的——网络尚不“知道”任何事情。在本节中，我们将了解如何训练神经网络；我们将看到神经网络是如何学习的。 与所有机器学习任务一样，我们从一组训练数据开始。训练数据中的每个示例都包含一些特征（输入）和一个预期目标（输出）。训练网络意味着以一种可以将特征转换为目标的方式调整其权重。例如，在 80 Cereals 数据集中，我们想要一个网络，它可以获取每种谷物的“糖”、“纤维”和“蛋白质”含量，并预测该谷物的“卡路里”。如果我们能成功地训练一个网络来做到这一点，它的权重必须以某种方式表

Read more

在本节中，我们将了解如何构建能够学习复杂关系的神经网络。 这里的关键思想是模块化(modularity)，从简单的功能单元构建一个复杂的网络。我们已经看到了线性单元如何计算线性函数——现在我们将看到如何组合和修改这些单个的单元来模拟更复杂的关系。

Layers

神经网络通常将它们的神经元组织成层。当我们将具有一组公共输入的线性单元收集在一起时，我们会得到一个密集层(dense layer)。

你可以将神经网络中的每一层视为执行某种相对简单的变换。通过一层很深的堆栈，神经网络可以以越来越复杂的方式转换其输入。在训练有素的神经网络中，每一层都是一个转换，使我们更接近目标结果。

The Activ

Read more

 What is Deep Learning?

近年来，人工智能领域一些最令人印象深刻的进步是在深度学习领域。自然语言翻译、图像识别等任务，应用深度学习模型已经接近甚至超过人类的水平了。 那么什么是深度学习？深度学习是一种以深度计算为特征的机器学习方法。这种计算深度使深度学习模型能够理清在复杂数据集中发现的各种复杂模式。 通过其强大的功能和可扩展性，神经网络(neural networks)已成为深度学习的基础模型。神经网络由神经元组成，其中每个神经元单独执行一个简单的计算。事实上，神经网络的力量正是来自于这些神经元之间形成的复杂链接。

The Linear Unit

我们从神经网络的基本组成

Read more