深度学习与神经网络实现分类实验

• 实验目的

1. 掌握神经网络及深度学习建模分析
2. 掌握使用神经网络实现分类的方法
3. 掌握使用Keras框架实现深度学习的方法
4. 了解各分类器之间的差异

• 实验环境

  操作系统： Windows 11

  应用软件：Jupyter Notebook

实验内容与结果

• 实验总结

神经网络可以有多个隐藏层，每个隐藏层拥有若干个神经元，每层神经元与下一层神经元全连接，同层神经元之间不连接，也不存在跨层神经元连接。值得注意的是，由单个感知器构成的一个简单的决策模型只能处理线性可分问题，学习能力非常有限。对于大量的线性不可分问题，需考虑使用多层神经元。并且，神经网络在用于非线性回归、分类等多种机器学习的分类时，如果是二分类问题,输出层只需要一个节点；如果是多分类问题就需要多个输出节点，每个节点对应一种类型,输出值表示属于该类型的概率。

事实上，神经网络学习采用迭代的方法实现评价模型的拟合程度。神经网络的学习过程就是根据训练数据集来调整神经元之间的“连接权重”,以及每个神经元的偏置项，使得最终输出层能够更好地拟合训练集的真实值。

随着神经网络的神经元数量增大,训练神经网络所需要的数据量也大幅增加。网络模型学习的计算量和神经元数量的平方成正比，神经网络中的隐藏层越多，意味着网络模型训练所需的时间越长。

深度学习也具有许多隐藏层，并且每个隐藏层都具有很多节点的神经网络。深度学习框架Keras采用“模型”构建神经网络，定义神经网络结构，定义神经网络的损失函数，使用数据集训练模型、预测、性能分析。Keras一般常用模型层为：Dense层、Activation层、Dropout层。其中，Keras模型编译函数：model.compile()函数，训练函数model.fit()函数，模型评估model.evaluate()函数，模型预测model.predict()函数。