本周任务

神经网络如何训练？上周的内容，我们没有关注每一层的最合适的w，b是如何计算出来的，只是直接拿了现成的合适的结果，这周要关注这些参数是如何计算出最优解的。

TensorFlow训练神经网络模型的简要过程

• 问：如果给定一个训练集，包含图像 X 和其对应的真实标签 Y，你会如何训练这个神经网络的参数？
• 答：第一步，使用Sequential构键一个前向传播的3层神经网络。第二步，指定BinaryCrossentropy(二元交叉熵)为编译模型需要的损失函数。第三步，调用fit函数训练模型。

训练模型的三个步骤

1.自行训练逻辑回归模型

（1）定义模型：定义将输入特征 x 通过参数w和b计算输出的公式，即sigmoid函数。

（2）指定损失函数和成本函数：为了训练逻辑回归模型，需要定义损失函数和成本函数，损失函数（loss）衡量单个训练样本的表现，成本函数则是所有训练样本的平均损失（损失函数求和，然后除以训练样本数m）。

（3）最小化成本函数：使用梯度下降算法来更新参数w和b，以最小化成本函数。

2.TensorFlow训练神经网络模型

（1）定义模型：使用Sequential定义模型。

（2）指定损失函数和成本函数：编译模型时指定二元交叉熵损失函数，该函数对每个训练样本计算损失，整个训练集的平均损失就是神经网络的成本函数。

（3）最小化成本函数：调用fit来最小化神经网络的成本。

TensorFlow训练神经网络模型的代码含义

1.定义模型

Tensorflow指定了神经网络的整体架构，在已经每层参数w，b的情况下，TensorFlow能够计算出最终输出。

2.指定损失函数和成本函数

（1）分类问题：如果解决二分类问题，可以指定TensorFlow内置的损失函数BinaryCrossentropy(二元交叉熵)，TensorFlow会自动处理损失函数的构建和最小化过程。

（2）回归问题：解决回归问题可以指定损失函数MeanSquaredError（平方误差）损失函数。

（3）如果自己构建成本函数，需要用到神经网络里的所有参数。

3.最小化成本函数

如果我们自己使用梯度下降来训练神经网络的参数，那么你将重复地对每一层 l 和每个单元 j 更新 w_lj，根据 w_lj 减去学习率 alpha 乘以成本函数 j 的参数导数，以及对参数 b 也是类似的更新。而TensorFlow可以我们完成所有这些工作。它在这个名为 fit 的函数中实现了反向传播。你只需要调用 model.fit，使用x，y 作为你的训练集，并设置100次迭代或100个周期。

总结

首先，介绍了TensorFlow训练神经网络的基本思路，并与逻辑回归模型的训练步骤进行了简要对比，强调了在神经网络训练中需要关注的关键步骤。然后，详细描述了TensorFlow训练神经网络的每个步骤的含义，强调了TensorFlow在简化神经网络训练过程中的重要性。

Quiz

Quiz1

哪种类型的任务中使用二元交叉熵损失函数(BinaryCrossentropy)？

A：BinaryCrossentropy()不应用于任何任务。
B：具有3个或更多类别(类别)的分类任务
C：二元分类(正好有2个分类)
D：回归任务(预测数字的任务)

正确答案C：二元交叉熵，我们也称之为逻辑损失，用于分类两个类别（两个类别）之间。

Quiz2

哪行代码用于更新网络参数以减少成本？

A：model = Sequential([…)
B：以上都不是-这段代码不会更新参数
C：model.fit(X, y, epochs=100)
D：model.compile(loss=BinaryCrossentropy()

正确答案C：模型训练的第三步是在数据上训练模型以最小化损失（和成本）。