上一篇：《创建用于预测序列的人工智能模型，设计数据集》

序言：在前一篇中，我们创建了用于训练人工智能模型的数据集。接下来，就要设计模型的架构了。其实，人工智能模型的开发关键并不在于代码量，而在于其中的数学原理和数据集（即人类经验）的深度与质量。

创建模型的架构（一个DNN神经网络）

现在你已经将数据存储在 tf.data.Dataset 中，在 tf.keras 中创建一个神经网络模型就变得非常简单了。我们先来探索一个简单的DNN模型，代码如下：

dataset = windowed_dataset(series, window_size, batch_size, shuffle_buffer_size)

model = tf.keras.models.Sequential([

tf.keras.layers.Dense(10, input_shape=[window_size], activation="relu"),

tf.keras.layers.Dense(10, activation="relu"),

tf.keras.layers.Dense(1)

])

这是一个非常简单的模型，包含两个全连接层（Dense层）。第一层接收形状为 window_size 的输入，最后通过输出层生成预测值。

接下来，我们像之前一样，为模型编译指定损失函数和优化器。在本例中，损失函数选择了 mse（均方误差），它通常用于回归问题（这实际上就是一个回归问题）。优化器选择了 sgd（随机梯度下降），非常适合这样的场景。

关于这些函数的细节，本书不会深入讨论，但任何优秀的机器学习资源都会详细讲解它们——比如 Andrew Ng 在 Coursera 上的经典《深度学习专项课程》就是一个很好的起点。

SGD 优化器可以接受学习率（lr）和动量（momentum）两个参数，它们会影响优化器的学习方式。由于每个数据集都有其独特性，因此能够手动控制这些参数是非常有价值的。在下一节中，你将学习如何找到这些参数的最优值，但现在可以先这样设置：

model.compile(

loss="mse",

optimizer=tf.keras.optimizers.SGD(

lr=1e-6,

momentum=0.9

)

)

总结：本篇中，我们设计了一个人工智能模型的架构（一个简单的 DNN）。模型的性能与其架构和参数密切相关——参数量越大，所需的数据集也越庞大，模型的能力通常也会随之增强，这正是“规模效应”（Scaling Law）的体现