Tensorflow全連接神經(jīng)網(wǎng)絡(luò)DNN1.了解前向傳播算法基本概念

2.了解神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程

3.了解反向傳播算法基本概念前向傳播算法簡(jiǎn)介神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練12反向傳播算法簡(jiǎn)介31.前向傳播算法簡(jiǎn)介一個(gè)判斷零件是否合格的三層全連接神經(jīng)網(wǎng)絡(luò)第一部分是神經(jīng)網(wǎng)絡(luò)的輸入，就是從實(shí)體中提取的特征向量第二部分為神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)，給出不同神經(jīng)元之間輸入輸出連接關(guān)系最后一部分是每個(gè)神經(jīng)元中的參數(shù)W1.前向傳播算法簡(jiǎn)介一個(gè)判斷零件是否合格的三層全連接神經(jīng)網(wǎng)絡(luò)第一部分是神經(jīng)網(wǎng)絡(luò)的輸入，就是從實(shí)體中提取的特征向量第二部分為神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)，給出不同神經(jīng)元之間輸入輸出連接關(guān)系最后一部分是每個(gè)神經(jīng)元中的參數(shù)W1.前向傳播算法簡(jiǎn)介輸入層的取值x1=0.7和x2=0.9a11取值的詳細(xì)計(jì)算過(guò)程輸出層y的計(jì)算過(guò)程2.神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練使用監(jiān)督學(xué)習(xí)的方式設(shè)置神經(jīng)網(wǎng)絡(luò)參數(shù)藍(lán)色點(diǎn)和黃色點(diǎn)代表的就是訓(xùn)練數(shù)據(jù)集，而平面上或深或淺的顏色表示了神經(jīng)網(wǎng)絡(luò)模型做出的判斷左側(cè)的圖片顯示的是一個(gè)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練之前的分類效果，這時(shí)所有變量的取值都是隨機(jī)數(shù)右側(cè)圖片顯示了經(jīng)過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的情況，可以看到圖上藍(lán)色點(diǎn)和黃色點(diǎn)可以很清晰地被區(qū)分開(kāi)來(lái)3.反向傳播算法簡(jiǎn)介反向傳播算法實(shí)現(xiàn)了一個(gè)迭代的過(guò)程首先選取一小部分訓(xùn)練數(shù)據(jù)作為一個(gè)batch然后這個(gè)batch的樣例通過(guò)前向傳播算法得到神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果計(jì)算出當(dāng)前神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)答案與標(biāo)注的正確答案之間的差距最后基于預(yù)測(cè)值和真實(shí)值之間的差距，反向傳播算法相應(yīng)更新神經(jīng)網(wǎng)絡(luò)參數(shù)的取值，使得在這個(gè)batch上神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果和真實(shí)答案更加接近1.前向傳播算法