【机器学习-18】-神经网络构建、训练、损失函数和优化关键步骤

以下是基于6张图片核心内容的系统化解析与实现指南，涵盖神经网络构建、训练、损失函数和优化关键步骤：

核心流程：构建模型 → 定义损失 → 梯度下降（训练）优化。

---

1. 神经网络构建与训练（图1, 图3）

核心代码实现

import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense

# 模型结构（图1, 图3）
model = Sequential([
    Dense(units=25, activation='sigmoid'),  # 输入层→隐藏层1
    Dense(units=15, activation='sigmoid'),  # 隐藏层2
    Dense(units=1, activation='sigmoid')   # 输出层（二分类）
])

# 编译模型（图1, 图4）
model.compile(loss=tf.keras.losses.BinaryCrossentropy())

# 训练模型（图1, 图5）
model.fit(X, y, epochs=100)  # X: 输入数据, y: 标签

关键点

• 层设计：输入层维度需匹配数据特征数，输出层单元数由任务决定（如二分类用1个单元）。
• 激活函数：隐藏层常用ReLU或sigmoid，输出层根据任务选择（二分类用sigmoid）。

---

2. 模型训练三步骤（图2）

① 定义模型输出

• 逻辑回归：
$$f_{\mathbf{w},b}(\mathbf{x})=\frac{1}{1+e^{-(\mathbf{w}\cdot \mathbf{x}+b)}}$$
• 神经网络：通过Sequential和多层Dense自动计算。

② 指定损失函数（图4）

• 二分类：二元交叉熵（Binary Crossentropy）
$$L(f(\mathbf{x}),y)=-[y\log (f(\mathbf{x}))+(1-y)\log (1-f(\mathbf{x}))]$$
• 回归：均方误差（Mean Squared Error）。

③ 训练优化（图5）

• 梯度下降公式：
$$w_j^{[l]}=w_j^{[l]}-\alpha \frac{\partial J}{\partial w_j^{[l]}}$$
$$b_j^{[l]}=b_j^{[l]}-\alpha \frac{\partial J}{\partial b_j^{[l]}}$$
• 代码实现：通过model.fit自动完成反向传播和参数更新。

---

3. 梯度下降与反向传播（图5）

核心原理

• 目标：最小化损失函数 ( J(\mathbf{w}, b) )。
• 步骤：

1. 前向传播计算预测值。
2. 反向传播计算梯度（tf.GradientTape自动实现）。
3. 更新参数：w = w - learning_rate * gradient。

学习率（α）选择

• 过大：可能无法收敛；过小：训练缓慢。
• 建议：初始尝试0.01，通过观察损失曲线调整。

---

4. 神经网络库选择（图6）

库	特点	适用场景
TensorFlow	静态图为主，生产部署成熟	工业级应用、移动端部署
PyTorch	动态图灵活，研究社区活跃	学术研究、快速原型开发

调试建议

• 理解底层实现：如手动实现前向/反向传播，便于调试NaN损失或梯度爆炸问题。
• 工具使用：
• TensorBoard（可视化训练过程）
• PyTorch的autograd检查梯度。

---

5. 综合解题思路

题目示例

“构建一个神经网络对手写数字进行二分类（如是否为数字5），并训练模型。”

解答步骤

1. 数据准备：
   • 输入X：标准化像素值（0-1）。
   • 标签y：1（是5），0（非5）。

2. 模型构建：

   model = Sequential([
       Dense(64, activation='relu', input_shape=(784,)),  # 输入层（28x28图像展平）
       Dense(1, activation='sigmoid')
   ])
   

3. 编译与训练：

   model.compile(optimizer='adam', loss='BinaryCrossentropy', metrics=['accuracy'])
   model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))
   

4. 调优：
   • 若验证准确率低：增加层数/单元数，或调整学习率。
   • 若过拟合：添加Dropout层或正则化。

---

总结

• 核心流程：构建模型 → 定义损失 → 梯度下降优化。
• 关键技巧：
• 使用高级API（如tf.keras）简化代码，但需理解数学原理以便调试。
• 监控训练损失/准确率曲线判断模型表现。