深度学习在这十年中一直在兴起，其应用是如此广泛和惊人，以至于几乎很难相信它的进步仅仅短短几年。深度学习的核心是一个基本的“单元”，它支配着它的架构，是的，就是神经网络。

神经网络架构由许多神经元或我们所说的激活单元组成，这个单元回路的作用是寻找数据中的潜在关系。数学证明，神经网络可以找到任何类型的关系/函数，无论其复杂性如何，只要它足够深入/优化，这就是它的潜力。

现在，我们来学习如何使用 TensorFlow 实现神经网络

安装 Tensorflow

Tensorflow 是由 Google 创建并开源的库/平台。它是深度学习应用程序中最常用的库。现在，创建神经网络可能不是 TensorFlow 库的主要功能，但它经常用于此目的。因此，在继续之前，让我们安装并导入 TensorFlow 模块。

使用 pip/conda 命令在系统中安装 TensorFlow

# terminal/zsh/cmd command
# pip
pip install tensorflow --upgrade

# conda
conda install -c conda-forge tensorflow
%tensorflow_version 2.x

下载并读取数据

您可以使用任何您想要的数据集，这里我使用了 Kaggle 的红葡萄酒质量数据集。这是一个分类问题，当然，你可以学习将这个概念应用到其他问题中。首先，在您的工作目录中下载数据集。现在数据已下载，让我们将数据加载为数据帧。

输出：

数据预处理/拆分为 Train/Valid/Test Set

有多种方法可以拆分数据，您可以定义自定义函数或使用时间戳（如果存在），也可以使用预定义函数，例如 train_test_split in scikit-learn。

在这里，我们使用 sample 函数获取 75% 的数据来创建训练集，然后将其余数据用于验证集。您也可以而且应该创建一个测试集，但这里我们有一个非常小的数据集，我们在这里的主要重点是熟悉该过程并训练神经网络，对吗？

现在让我们划分数据集。

需要注意的是，神经网络通常对相同范围内的数据执行得更好。就像你有不同的列，在 1 列中，你的值范围是 1-10，但在另一列中，它的范围是 100-1000，建议首先将所有列缩放到相同的范围以获得更好的性能。

现在，最简单的方法是：

值 — （列的最小值）/（列的范围）

既然我们已经完成了扩展数据并创建训练和验证数据集，那么让我们将其分为特征，即输入和目标，因为这就是我们将其传递给模型的方式。

输出：

[11]

这意味着我们将 11 个特征作为输入传递到神经网络的第一层。

创建模型神经网络

Keras 模块构建在 TensorFlow 之上，为我们提供了创建各种神经网络架构的所有功能。我们将使用 Keras 中的 Sequential 类来构建我们的模型。首先，您可以尝试使用线性模型，因为神经网络基本上遵循与回归相同的“数学”，因此您可以使用神经网络创建线性模型，如下所示：

创建线性模型

输出：

但这基本上是一个线性模型，如果你的数据集稍微复杂一些，特征之间的关系更加多样化，你想要一个非线性模型怎么办？您需要什么？答案是激活函数。这就是神经网络真正开始大放异彩的地方。在本文中，我们无法深入讨论激活函数，但基本上，这些函数为我们的模型添加/引入非线性，你使用它们的次数越多，我们的模型可以找到的模式就越复杂。

创建多层神经网络

我们将创建一个 3 层网络，其中包含 1 个输入层、1 个隐藏层 1（具有 64 个单元）和 1 个输出层。我们将在隐藏层中使用 'relu' 激活函数。我们将在 Keras 模块中使用 Sequential 方法，该方法通常用于创建多层神经网络。在 keras 中，我们有不同类型的神经网络层和/或转换层，你可以使用它们来构建各种类型的神经网络，但这里我们只使用了 3 个具有 relu 激活函数的 Dense 层（在 keras.layers 中）。

输出：

在 Keras 中创建模型后，您需要为其“编译”其他参数，如下所示。这有点像我们为模型设置所有参数。

因此，我们使用了 adam 优化器，并告诉模型计算 mae（平均绝对误差）损失。

训练模型

既然我们已经完成了模型的创建和实例化，现在是时候训练它了。我们将使用 fit 方法来训练我们的模型。这种方法以特征和目标为目标，我们也可以随之传递validation_data，它会自动在验证时尝试你的模型并记录损失指标。我们还提供了 batch_size，e 它的作用是将我们的数据分成小批量，并将其提供给我们的模型在每个 epoch 进行训练，当您拥有大型数据集时，这非常有用，因为它减少了机器上的 RAM 和 CPU 消耗。

现在，我们只训练了 15 个 epoch 的模型，因为我们的目的是熟悉过程，而不是准确性本身，但您必须增加或减少机器上的 epoch 数。您可以使用一些优化方法，例如提前停止，当模型开始过拟合时会自动停止训练，因此您也可以尝试使用这些方法，如果您想阅读它，我在底部提供了一个链接。

输出：

在这里，我们只训练了 15 个 epoch，但您绝对应该训练更多并尝试更改模型本身。

生成预测并分析准确性

既然我们已经完成了训练过程，那么让我们实际尝试使用它来预测 “葡萄酒质量”。为了进行预测，我们将使用 model 对象的 predict 函数。我们只给出 3 个示例作为输入，并尝试预测 3 个示例的葡萄酒质量。

输出：

array([[0.40581337],
      [0.5295989 ],
      [0.3883106 ]], dtype=float32)

现在，让我们将预测与目标值进行比较。

输出：

0     0.4
9     0.4
12    0.4
Name: quality, dtype: float64

正如我们所看到的，我们的预测非常接近实际值，即在所有三种情况下都是 0.4。你可以定义另一个函数，将预测转换为整数，以 1 到 10 的等级预测质量，以便更好地理解，但这是一件微不足道的事情，主要是让你理解这里描述的整个过程。

可视化训练与验证损失

您可以分析损失并弄清楚它是否过度拟合或不容易，然后相应地采取适当的措施。

输出：

在分析模型的准确性/误差时，需要注意的关键点是：

显然，您的损失函数会不断减小，但验证数据集可能并非如此，在某些时候，您的模型将过度拟合数据，验证误差将开始增加而不是减少。因此，您可以在 validation loss 似乎正在增加的 epoch 停止。您还可以尝试一些其他优化算法，例如提前停止（Keras 中的 callback）。您可以在此处阅读相关信息。