吴恩达机器学习训练神经网络08

吴恩达机器学习训练神经网络08_第1张图片

1.逻辑回归训练模型的三个步骤:

(1).第一步:建立逻辑回归模型,指定在给定输入特征X,参数w和b的情况下,计算输出。
(2).指定损失函数(loss function)或代价函数(cost function)。给定损失函数的定义,然后我们定义代价函数,代价函数是参数W和B的函数,这是M个训练样本,计算的损失函数的平均值(x1,y1)到(xm,ym)。
注意:
·损失函数(loss function)是对一个训练样本(x,y)的衡量,输出预测和真实标签的计算值
·代价函数(cost function)是在整个训练集上计算的损失函数的平均值。
(3)用一个具体的梯度下降算法来最小化代价函数J,作为参数w和b的函数.

2.TensorFlow中训练神经网络的三个步骤:

同样上边的三个步骤也是我们在TensorFlow中训练神经网络的三个步骤
(1)确定在给定输入x和参数b的情况下如何计算输出
(2)编译这个模型,告诉它你想用的损失函数,而这里是你用来指定损失函数的代码,这个损失函数也就是你模型的代价函数(cost function)
例:分类数字0,1
这里使用的损失函数是和逻辑回归一样的损失函数,其中y是真实标签,有时也被成为目的标签,f(x)现在是神经网络的输出,在神经网络中这个函数被称为二元交叉熵(this loss function is called binary cross entropy.),在Tensorflow的术语中,这个函数被称为二元交叉熵,这个语法是要求TensorFlow利用该损失函数编译神经网络
吴恩达机器学习训练神经网络08_第2张图片
(3)调用函数去最小化神经网络函数的代价
图片.png
TensorFlow知道你想最小化的代价是平均值,即取训练集上所有训练样本损失的平均值,优化这个代价函数,使得神经网络和你的二分类数据相拟合,如果你想解决回归问题,而不是分类问题,你也可以告诉TensorFlow用不同的损失函数去编译模型
图片.png

·神经网络的损失和代价函数
吴恩达机器学习训练神经网络08_第3张图片
·参数的拟合
在之前的学习中,利用梯度下降进行参数的调整。而在TensorFlow中,我在标准的神经网络训练中,我们使用的是反向传播算法,我们只需要调用model.fit(X,y)函数,告诉它要迭代多少次或者多少个epoch
吴恩达机器学习训练神经网络08_第4张图片

你可能感兴趣的:(机器学习)