以下内容有任何不理解可以翻看我之前的博客哦：吴恩达deeplearning.ai
在之前的博客中。我们陆续学习了各个方面的有关深度学习的内容，今天可以从头开始训练一个神经网络了。
Tensorflow训练神经网络模型
我们使用之前用过的例子：
这个神经网络有三层，第一层拥有25个神经元，第二层15个神经元，第三层为最终输出层。
现在提供一个训练集X，一个标签Y，该如何通过代码的形式来表现呢？
#1导入工具包
import tensrflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
#2创建三个层并让Tensorflow按照顺序将几个层串联起来
model = Sequential([
Dense(units = 25, activation = 'sigmoid')
Dense(units = 15, activation = 'sigmoid')
Dense(units = 1, activation = 'sigmoid')
])
#3引入工具包，并且让损失函数使用分类交叉熵的形式
from tensorflow.keras.losses import
BinaryCrossentropy
model.compile(loss = BinaryCrossentropy())
#调用拟合函数，epoch代表训练次数
model.fit(X, Y, epochs=100)
模型中的一些细节讲解
框架相关
让我们先复习一下之前的内容，如何实现逻辑回归的：
第一步，如何在给定输入特征X和参数W,b的情况下计算输出（定义模型），我们这里经常使用的是sigmoid函数。
第二步，指定损失函数与成本函数
第三步，训练模型，最小化J(w，b）
让我们在训练神经网络的背景下来看看这几步：
#1导入工具包
import tensrflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
#2创建三个层并让Tensorflow按照顺序将几个层串联起来
model = Sequential([
Dense(units = 25, activation = 'sigmoid')
Dense(units = 15, activation = 'sigmoid')
Dense(units = 1, activation = 'sigmoid')
])
这几段代码说明了神经网络的整个架构体系，告诉你第一层有25个神经元，第二层有15个神经元，第三层一个，采用的激活函数均为sigmoid。
损失函数相关
再写一遍 损失函数的一般数学表达式：
J ( W , B ) = 1 m ∑ L ( f （ x ( i ) , y ( i ) ) J(W,B) = \frac{1}{m}\sum L(f（x^{(i)},y^{(i)}) J(W,B)=m1∑L(f（x(i),y(i))
#3引入工具包，并且让损失函数使用分类交叉熵的形式 from tensorflow.keras.losses import BinaryCrossentropy model.compile(loss = BinaryCrossentropy())
这个名叫keras的工具包其实是和tensorflow是完全不同的两个项目开发的，只是最后合入了tensorflow，所有它的工具包需要你单独import。另外，由于工具包的种类真的很多，所以不知道工具包的名字和使用方法时可以上网查找哦。
我们在之前的博客中，曾经学习过二元交叉熵(这是统计学上的叫法），二元的意思是说明这是个布尔值，要么为1要么为0.只是在之前的博客中不叫这个名字，而是为了能够在一个式子之中写出价代价函数：
L ( f ( x ) , y ) = − y l o g ( f ( x ) ) − ( 1 − y ) l o g ( ( 1 − f ( x ) ) L(f(x),y) = -ylog(f(x)) - (1-y)log((1-f(x)) L(f(x),y)=−ylog(f(x))−(1−y)log((1−f(x))
在制定了损失函数之后，Tensorflow就知道了你是希望最小化m个训练的平均值。
如果你是想解决其它类型的问题例如回归问题，你可以给tensorflow指定其它种类的损失函数：
from tensorflow.keras.losses import MeanSquareError model.compile(loss = MeanSquareError())
这是最小化平方误差损失的损失函数。
梯度下降
梯度下降时，你需要重复公式：
w = w − α ∂ ∂ w j J ( w , b ) b = b − α ∂ ∂ b j J ( w , b ) w = w - \alpha\frac{\partial}{\partial w_j}J(w,b)\\ b = b - \alpha\frac{\partial}{\partial b_j}J(w,b) w=w−α∂wj∂J(w,b)b=b−α∂bj∂J(w,b)
#调用拟合函数，epoch代表训练次数 model.fit(X, Y, epochs=100)
Tensorflow使用的是一种叫做反向传播的算法来计算这些偏导数项，只是在函数model.fit中完成的，并告诉它这样迭代100次。
很明显我们现在的代码严重依赖于Tensorflow库，随着技术的发展，大部分工程师都会使用库而非自己重头编起。现在你已经了解了如何自己训练一个神经网络了，在接下来的博客中我们讲讲到一些你可以改变的地方，使得你的神经网络更加强大。
为了给读者你造成不必要的麻烦，博主的所有视频都没开仅粉丝可见，如果想要阅读我的其他博客，可以点个小小的关注哦。