多層感知器
計算輸入特征得加權和，然后使用一個函數激活（或傳遞函數）計算輸出。
單個神經元

多個神經元

單層神經元缺陷


多層感知器

多層感知器

激活函數
relu：曲線如下圖，假如過來的函數是x當x小于0的時候直接屏蔽，大于0的時候就原樣輸出

sigmoid激活：假如輸出的x值就會帶入下面公式進行計算

tanh激活：-1到1之間

leak relu激活

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv") print(data.head()) plt.scatter(data.TV,data.sales) plt.show()

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv") print(data.head()) plt.scatter(data.radio,data.sales) plt.show()

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv") print(data.head()) # plt.scatter(data.radio,data.sales) # plt.show() # 建立模型 當知道tv，廣播，報紙投放廣告后預測銷量 x = data.iloc[:,1:-1] # x取值除去第一列和最后一列的值取出所有投放廣告的值 y = data.iloc[:,-1] # y取值最后一列銷量的值 model = tf.keras.Sequential([tf.keras.layers.Dense(10,input_shape=(3,),activation="relu"),tf.keras.layers.Dense(1)])# 建立順序模型【輸入層：一個多層感知器(隱含層10層Dense(10),形狀input_shape=(3,)3維,激活函數activation="relu")，輸出層：因為輸出是一個值所以維度1】 print(model.summary())

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv") # print(data.head()) # plt.scatter(data.radio,data.sales) # plt.show() # 建立模型 當知道tv，廣播，報紙投放廣告后預測銷量 x = data.iloc[:,1:-1] # x取值除去第一列和最后一列的值取出所有投放廣告的值 y = data.iloc[:,-1] # y取值最后一列銷量的值 model = tf.keras.Sequential([tf.keras.layers.Dense(10,input_shape=(3,),activation="relu"),tf.keras.layers.Dense(1)])# 建立順序模型【輸入層：一個多層感知器(隱含層10層Dense(10),形狀input_shape=(3,)3維,激活函數activation="relu")，輸出層：因為輸出是一個值所以維度1】 print(model.summary()) # 優化器 model.compile(optimizer="adam",loss="mse") # 訓練模型 model.fit(x,y,epochs=100) # 使用該模型在現有數據上預測前10個的銷量 test = data.iloc[:10,1:-1] print(model.predict(test)) # 實際值 test = data.iloc[:10,-1] print(test)

梯度下降

預測值

實際值

總結

以上是生活随笔為你收集整理的深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-多层感知器（神经网络）与激活函数概述-04的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。