TensorFlow2.0入门到进阶2.1 —— 一文轻松搞懂Keras神经网络（理论+实战）
欢迎进入TensorFlow2.0入门到进阶的第二章内容，这一章将主要讲解利用tf.keras的实战部分。本节主要是对tf.keras的简要介绍。
文章目录
- 1、理论部分
- 1.1 TensorFlow-Keras简介
- 1.1.1 Keras
- 1.1.2 tf-keras和keras相同点
- 1.1.3 tf-keras和keras不同点
- 1.2 分类问题、回归
- 1.2.1 分类
- 1.2.2 回归：
- 1.3 目标函数、损失函数、代价函数
- 1.3.1 损失函数
- 1.3.2 代价函数
- 1.3.3 目标函数
- 1.4 神经网络
- 1.5 激活函数
- 1.5 归一化与批归一化
- 1.5.1 归一化
- 1.5.2 批归一化
- 2、实战部分
1、理论部分
1.1 TensorFlow-Keras简介
相信很多小伙伴都听说过Keras，是一个单独的库，那么TensorFlow下面为什么还会有Keras呢？他们有什么联系和区别呢？下面将详细介绍。
1.1.1 Keras
Keras API的实现意味着它是TensorFlow的高级API。
Keras是用Python编写的高级神经网络API，能够在TensorFlow，CNTK或Theano之上运行。它的开发着眼于实现快速实验。能够以最小的延迟将想法付诸实践是进行良好研究的关键。
Keras默认的后端为tensorflow，如果想要使用theano可以自行更改。tensorflow和theano都可以使用GPU进行硬件加速，往往可以比CPU运算快很多倍。因此如果你的显卡支持cuda的话，建议尽可能利用cuda加速模型训练。（当机器上有可用的GPU时，代码会自动调用GPU 进行并行计算。）目前Keras已经被TensorFlow收录，添加到TensorFlow 中，成为其默认的框架，成为TensorFlow官方的高级API。
官方手册：https://keras.io/
1.1.2 tf-keras和keras相同点
- 1、基于同一套API。keras程序可以通过改导入方式轻松转为tf.keras程序，反之可能不成立，因为tf.keras有其他特性。
- 2、相同的JSON和HDF5模型序列化格式和语义
1.1.3 tf-keras和keras不同点
综上所述：强烈推荐使用tf.keras！！！
1.2 分类问题、回归
1.2.1 分类
分类问题是用于将事物打上一个标签，通常结果为离散值。例如判断一幅图片上的动物是一只猫还是一只狗，分类通常是建立在回归之上，分类的最后一层通常要使用softmax函数进行判断其所属类别。分类并没有逼近的概念，最终正确结果只有一个，错误的就是错误的，不会有相近的概念。最常见的分类方法是逻辑回归，或者叫逻辑分类。
1.2.2 回归：
回归问题通常是用来预测一个数值，如预测房价、未来的天气情况等等，例如一个产品的实际价格为500元，通过回归分析预测值为499元，我们认为这是一个比较好的回归分析。一个比较常见的回归算法是线性回归算法（LR）。另外，回归分析用在神经网络上，其最上层是不需要加上softmax函数的，而是直接对前一层累加即可。回归是对真实值的一种逼近预测。
1.3 目标函数、损失函数、代价函数
1.3.1 损失函数
损失函数（loss function）：计算的是一个样本的误差。它是用来估量你模型的预测值 f(x)与真实值 Y的不一致程度，通常用 L(Y,f(x))来表示。
1.3.2 代价函数
是整个训练集上所有样本误差的平均。本质上看，和损失函数是同一个东西。
1.3.3 目标函数
顾名思义，就是想达到的目标，想达到的目标是什么，当然是准确实现分类或者回归了，这里通常是代价函数 + 正则化项。
详细解析：链接：https://www.zhihu.com/question/52398145
1.4 神经网络
让我们来看一个经典的神经网络。这是一个包含三个层次的神经网络。红色的是输入层，绿色的是输出层，紫色的是中间层（也叫隐藏层）。输入层有3个输入单元，隐藏层有4个单元，输出层有2个单元。后文中，我们统一使用这种颜色来表达神经网络的结构。
详细介绍：https://www.cnblogs.com/subconscious/p/5058741.html
1.5 激活函数
如下图，在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数 Activation Function：
常用激活函数：https://www.cnblogs.com/weilonghu/p/11922739.html
1.5 归一化与批归一化
1.5.1 归一化
- 1、把数据变成(０，１)或者（1,1）之间的小数。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。
- 2、把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。
归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。
一个最主要的原因就是，在使用梯度下降的方法求解最优化问题时， 归一化/标准化后可以加快梯度下降的求解速度，即提升模型的收敛速度。如下图所示。未归一化的数据如左图所示，归一化后的数据如右图所示，可以看出归一化后的数据明显易于优化。
详细介绍：https://www.jianshu.com/p/95a8f035c86c
1.5.2 批归一化
BN是由Google于2015年提出，这是一个深度神经网络训练的技巧，它不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定。所以目前BN已经成为几乎所有卷积神经网络的标配技巧了。
从字面意思看来Batch Normalization（简称BN）就是对每一批数据进行归一化，确实如此，对于训练中某一个batch的数据{x1,x2,…,xn}，注意这个数据是可以输入也可以是网络中间的某一层输出。在BN出现之前，我们的归一化操作一般都在数据输入层，对输入的数据进行求均值以及求方差做归一化，但是BN的出现打破了这一个规定，我们可以在网络中任意一层进行归一化处理，因为我们现在所用的优化方法大多都是min-batch SGD，所以我们的归一化操作就成为Batch Normalization。
详细解析：https://www.cnblogs.com/skyfsm/p/8453498.html
2、实战部分
实战部分当然不是一篇博客就能讲完的啦，本系列博客持续更新，本系列第二章将详细介绍keras的实战部分，会有原始代码和超详解析，欢迎关注！！！
