以手寫數(shù)字識(shí)別為例：
輸入是256維的像素，輸出是對(duì)應(yīng)0，1，2，3，4，5，6，7，8，9的概率
第一步：選擇模型：
選擇一個(gè)合適的神經(jīng)網(wǎng)絡(luò)模型，全連接模型，CNN卷積神經(jīng)網(wǎng)絡(luò)模型等等
神經(jīng)網(wǎng)絡(luò)的層數(shù)與個(gè)數(shù)是難點(diǎn)！經(jīng)驗(yàn)+直覺
loss function是交叉熵的方法
找到neural network的parameters 使得total loss最小?
step3：找到最優(yōu)解
利用gradient descent尋找最優(yōu)模型，但是因?yàn)樯疃葘W(xué)習(xí)的函數(shù)太復(fù)雜，要直接計(jì)算微分的話，計(jì)算量實(shí)在太大了，所以一般會(huì)用一個(gè)叫做?反向傳播（Backpropagation）?的算法來做，這個(gè)算法會(huì)在之后詳細(xì)介紹。
雖然我們是用 Backpropagation 來幫我們算微分，但是其實(shí)就連這個(gè)我們都不會(huì)自己去算，基本都是用一些工具來幫我們，比如 TensorFlow。到此結(jié)束了嗎？沒有的，人這么懶的生物，覺得 TensorFlow 也太復(fù)雜了，所以又寫了一堆 API 去直接調(diào)用 TensorFlow ，這就是之后會(huì)講到的 Keras，果然懶才能推動(dòng)人類不斷進(jìn)步。
---------------------
作者：MemoryD
來源：CSDN
原文：https://blog.csdn.net/MemoryD/article/details/80307520
版權(quán)聲明：本文為博主原創(chuàng)文章，轉(zhuǎn)載請(qǐng)附上博文鏈接！
