深度学习2.0-14.神经网络与全连接层之全连接层、输出方式、误差计算
文章目录
- 1.全连接层
- 1.全连接层-keras.layers.Dense
- 2.多层网络-keras.Sequential([layer1,layer2,layer3])
- 2.输出方式
- 1.y∈R^d-实数
- 2.y∈[0,1]-tf.sigmoid
- 3.yi ∈[0,1],∑yi = 1--tf.nn.softmax
- 4.yi ∈ [-1,1] -tf.tanh
- 3.误差计算
- 1.MSE
- 2.熵-entropy
- 3.交叉熵-cross entropy -tf.losses.categorical_crossentropy
1.全连接层
1.全连接层-keras.layers.Dense
2.多层网络-keras.Sequential([layer1,layer2,layer3])
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
from tensorflow import kerasx = tf.random.normal([2, 3])
# 多层全连接层
model = keras.Sequential([keras.layers.Dense(2, activation='relu'),keras.layers.Dense(2, activation='relu'),keras.layers.Dense(2)
])
model.build(input_shape=[None, 3])
# 查看网络结构
model.summary()# [w1,b1,w2,b2,w3,b3]
for p in model.trainable_variables:print(p.name, p.shape)
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense (Dense) multiple 8 = 3*2+2
_________________________________________________________________
dense_1 (Dense) multiple 6 = 2*2+2
_________________________________________________________________
dense_2 (Dense) multiple 6
=================================================================
Total params: 20
Trainable params: 20
Non-trainable params: 0
_________________________________________________________________
dense/kernel:0 (3, 2)
dense/bias:0 (2,)
dense_1/kernel:0 (2, 2)
dense_1/bias:0 (2,)
dense_2/kernel:0 (2, 2)
dense_2/bias:0 (2,)
2.输出方式
输出范围
1.y∈R^d-实数
2.y∈[0,1]-tf.sigmoid
3.yi ∈[0,1],∑yi = 1–tf.nn.softmax
4.yi ∈ [-1,1] -tf.tanh
3.误差计算
1.MSE
2.熵-entropy
3.交叉熵-cross entropy -tf.losses.categorical_crossentropy
深度学习2.0-14.神经网络与全连接层之全连接层、输出方式、误差计算相关推荐
- 深度学习(22)神经网络与全连接层五: 误差计算
深度学习(22)神经网络与全连接层五: 误差计算 1. MSE 2. Entropy(熵) 3. Cross Entropy 4. Binary Classification 5. Single ou ...
- 深度学习(21)神经网络与全连接层四: 输出方式
深度学习(21)神经网络与全连接层四: 输出方式 1. y∈Rdy∈R^dy∈Rd 2. yi∈[0,1]y_i∈[0,1]yi∈[0,1] 3. sigmoid函数 (1) 目的 (2) tf.s ...
- 深度学习(19)神经网络与全连接层二: 测试(张量)实战
深度学习(19)神经网络与全连接层二: 测试(张量)实战 1. 传入测试集数据 2. 数据类型转换 3. 创建test_db 4. test/evluation 5. 创建神经网络 6. 输出 7. ...
- 深度学习(18)神经网络与全连接层一: 数据加载
深度学习(18)神经网络与全连接层一: 数据加载 1. 常用数据集 2. MNIST数据集 (1) MNIST样本 (2) MNIST加载案例 3. CIFAR10/100 (1) CIFAR10/1 ...
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-04-基于Python的LeNet之MLP
原文地址可以查看更多信息 本文主要参考于:Multilayer Perceptron python源代码(github下载 CSDN免费下载) 本文主要介绍含有单隐层的MLP的建模及实现.建议在阅读 ...
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-03-基于Python的LeNet之LR
原地址可以查看更多信息 本文主要参考于:Classifying MNIST digits using Logistic Regression python源代码(GitHub下载 CSDN免费下载) ...
- 【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理(1)
上篇文章我们给出了用paddlepaddle来做手写数字识别的示例,并对网络结构进行到了调整,提高了识别的精度.有的同学表示不是很理解原理,为什么传统的机器学习算法,简单的神经网络(如多层感知机)都可 ...
- [人工智能-深度学习-33]:卷积神经网络CNN - 常见分类网络- LeNet网络结构分析与详解
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
- 深度学习教程(10) | 卷积神经网络解读(吴恩达·完整版)
作者:韩信子@ShowMeAI 教程地址:http://www.showmeai.tech/tutorials/35 本文地址:http://www.showmeai.tech/article-det ...
- 深度学习简介(一)——卷积神经网络
本文的主要目的,是简单介绍时下流行的深度学习算法的基础知识,本人也看过许多其他教程,感觉其中大部分讲的还是太过深奥,于是便有了写一篇科普文的想法.博主也是现学现卖,文中如有不当之处,请各位指出,共同进 ...
最新文章
- SD初始化过程以及Cmd解析
- 千分之三用计算机怎么算,浓度换算计算器(浓度单位换算器在线使用)
- 使用Nagios监控esx、esxi、vcenter
- 应用程序无法正常启动(0xc000007b)错误的解决
- SSRF 漏洞危害大,应避免被利用攻击内网应用!| 原力计划
- tikz画GPS卫星电文通信结构图
- 避免 rm -rf * 的悲剧,你值得拥有
- C语言读取易语言的字节集,易语言字节集参数传递详解
- 智能优化算法:灰狼优化算法-附代码
- python调用讯飞语音合成API接口实现文字转语音,然后转换音频格式
- 毕业设计| 语音识别智能家居制作
- 可爱的拼音加加输入法^_^
- Python滑块验证码之腾讯防水墙简单测试版
- Spark 的一些名词术语
- 一个形式良好的XML文档
- 【人工智能】八皇后问题-启发式求解
- 字符串匹配,从BF 到 RK 到 KMP
- 手持PDA功能及优势
- js中php遍历数组,vue.js如何遍历数组
- I2C操作笔记——以 AT24C04为例
热门文章
- 初步学习pg_control文件之十四
- .NET Framework版本解析
- [Swift]LeetCode1051.高度检查器 | Height Checker
- mysql在官网下载完解压后安装
- 试图运行项目时出错:无法启动调试 没有正确安装调试器
- 我的站(艾网---城市生活新门户)重新上线了
- Vert.x 异步访问数据库 MySQL
- C#基础知识之图解TCP IP》读书笔记
- 算法题:括号匹配(小中大括号序列)
- imos 学习笔记四 录像 c#