A Single Neuron

学习：linear units， the building blocks of deep learning.

学了这些你就可以建立自己的deep neural networks了。

能学到什么？

• create a fully-connected neural network architecture

创建一个全连接的神经网络架构

• apply neural nets to two classic ML problems: regression and classification

将神经网络应用到经典ml问题。

• train neural nets with stochastic gradient descent, and

用随机梯度下降来训练神经网络

• improve performance with dropout, batch normalization, and other techniques

什么是深度学习：深度学习是一种机器学习方法，其特点是深度计算堆栈。

Deep learning is an approach to machine learning characterized by deep stacks of computations.

1.The Linear Unit

这就是带着一个输入的单个神经元。无论什么时候，一个值流过一个连接的时候，您将该值乘以连接的权重。For the input x, what reaches the neuron is w * x. A neural network "learns" by modifying its weights.

2.Example - The Linear Unit as a Model¶

3.Linear Units in Keras

from tensorflow import keras

from tensorflow.keras import layers

Create a network with 1 linear unit

model = keras.Sequential([

layers.Dense(units=1, input_shape=[3])

])

第一个参数：units定义了有多少输出，这里是1个，input_shape是输入的维度，这里是3.('sugars', 'fiber', and 'protein').

为什么 input_shape 是 Python 列表？

我们将在本课程中使用的数据将是表格数据，就像在 Pandas 数据框中一样。我们将为数据集中的每个特征提供一个输入。特征按列排列，所以我们总是有 input_shape=[num_columns]。 Keras 在这里使用列表的原因是允许使用更复杂的数据集。例如，图像数据可能需要三个维度：[高度、宽度、通道]。

4. exercise

在本教程中，我们了解了神经网络的构建块

在本练习中，您将构建一个线性模型并练习在 Keras 中使用模型。

这里重要的是啥？

就是例子

一个输入，通过连接乘以一个权重，再加上一个bias就是输出了。这是单个神经元，也可以有多个输入。

然后介绍了这些代码：

from tensorflow import keras

from tensorflow.keras import layers

Create a network with 1 linear unit

model = keras.Sequential([

layers.Dense(units=1, input_shape=[3])

])

keras.Sequential是将神经网络创建为层堆栈。

练习：

构建线性模型

项目：处理多个输入的，一个输出的单个神经元。

首先：

import pandas as pd

red_wine = pd.read_csv('../input/dl-course-data/red-wine.csv')

red_wine.head()

red_wine.shape #返回(行，列)

from tensorflow import keras

from tensorflow.keras import layers

model = keras.Sequential([

layers.Dense(units=1, input_shape=[11])

])

w, b = model.weights

（model.weights可以看到权重。）

import tensorflow as tf

import matplotlib.pyplot as plt

model = keras.Sequential([

layers.Dense(1, input_shape=[1]),

])

x = tf.linspace(-1.0, 1.0, 100)

y = model.predict(x)

plt.figure(dpi=100)

plt.plot(x, y, 'k')

plt.xlim(-1, 1)

plt.ylim(-1, 1)

plt.xlabel("Input: x")

plt.ylabel("Target y")

w, b = model.weights # you could also use model.get_weights() here

plt.title("Weight: {:0.2f}\nBias: {:0.2f}".format(w[0][0], b[0]))

plt.show()

（这一块是测试，把未经训练的模型来预测，得到的图是不一样的，因为没训练的模型的权重选择是随机的。

重点：
model = keras.Sequential([

layers.Dense(units=1, input_shape=[3])

])