5 神经网络基础之神经网络的架构

查看大图

神经网络后门内容应从风险识别和防御验证角度理解，重点是知道问题如何被发现和控制。阅读时可以按「神经网络基本架构 -> 输入层 -> 隐藏层 -> 输出层」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「神经网络基本架构」，再查「输入层」。

在上一篇中，我们探讨了神经网络的基本概念，了解了什么是神经网络，以及它们在智能系统中的应用。今天，我们将深入了解神经网络的架构，这是理解如何构建和优化神经网络的重要步骤。在后续的内容中，我们将讨论神经网络的训练和测试过程，因此一个良好的架构可以直接影响这些过程的有效性。

神经网络基本架构

神经网络是由多个层（layer）组成的，例如输入层、隐藏层和输出层。每一层由多个单元（也称为神经元）组成，这些单元通过权重（weight）连接到前一层的神经元。以下是神经网络架构的基本组件：

查看大图

学习神经网络架构时，可以同步看后门风险可能出现在哪里：输入触发、特征层响应、分类头偏移。

输入层

输入层是神经网络中接收原始数据的部分。每个输入单元代表一个特征。例如，在图像分类任务中，每个像素可以作为一个输入特征。

隐藏层

隐藏层位于输入层和输出层之间。它们负责从输入数据中提取特征。神经元在隐藏层中重新组合输入数据，并通过激活函数（activation function）引入非线性。常见的激活函数包括ReLU（Rectified Linear Unit）、Sigmoid和Tanh等。

示例：ReLU 激活函数

ReLU的数学表达式为:

$$f(x) = \max(0, x)$$

这一函数在$x > 0$时为$x$，而在$x \leq 0$时为$0$，接下来的内容中会讨论如何选择激活函数。

输出层

输出层是神经网络的最后一层。其主要作用是将网络产生的特征映射转化为实际的输出结果。例如，在分类任务中，输出层的节点数等于类别的数量，通常使用Softmax函数来计算类别的概率分布。

层的数目和神经元的数量

在单层神经元的情况下，可能程序会遇到严重的欠拟合。对于更复杂的问题，通常需要多层隐含神经元，即深层神经网络（Deep Neural Network，DNN）。随着隐含层数量的增加，模型的复杂性和表达能力也随之提高。例如，一个具有2个隐藏层，每层包含64个神经元的网络架构可以用以下示例代码表示：

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(units=64, activation='relu', input_shape=(input_dim,)))  # 第一隐含层
model.add(Dense(units=64, activation='relu'))  # 第二隐含层
model.add(Dense(units=num_classes, activation='softmax'))  # 输出层

在上面的代码中，我们使用了Keras库来构建一个简单的神经网络架构，其中包括两个隐藏层，每层64个神经元，以及最后的输出层。

连接方式

神经元之间的连接方式影响神经网络的学习能力。最常见的连接方式是全连接层（Fully Connected Layer），其中每个神经元与前一层的每个神经元相连接。也有其他连接方式，例如卷积层（Convolutional Layer）和池化层（Pooling Layer），这在卷积神经网络（CNN）中特别常见，用于处理图像数据。

查看大图

读完《神经网络基础之神经网络的架构》不要只停在“看懂了”。回头挑一个步骤动手做一遍，再记录哪里卡住，后面的学习会更稳。

案例：卷积神经网络架构

考虑一个图片分类的卷积神经网络架构，通常会包含以下层：

1. 输入层：接收图像数据
2. 卷积层：提取局部特征
3. 池化层：减少特征维数
4. 全连接层：进行分类

下面是一个简单的CNN架构示例：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(image_height, image_width, 3)))  # 卷积层
model.add(MaxPooling2D(pool_size=(2, 2)))  # 池化层
model.add(Flatten())  # 展平层
model.add(Dense(units=128, activation='relu'))  # 全连接层
model.add(Dense(units=num_classes, activation='softmax'))  # 输出层

架构设计的原则

在设计神经网络架构时，需要遵循一些原则：

1. 过拟合与欠拟合：选择合适的层数和神经元数目以避免过拟合或欠拟合。可以通过交叉验证来判断模型的表现。
2. 正则化：使用dropout、L1/L2正则化等手段减轻过拟合。
3. 超参数调优：调整学习率、批次大小等超参数以优化训练效果。

查看大图

复习《神经网络基础之神经网络的架构》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《神经网络基础之神经网络的架构》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

结论

今天我们讨论了神经网络的架构及其各个组成部分，包括输入层、隐藏层和输出层。设计良好的架构是训练高效神经网络的基础，为接下来的训练与测试打下了坚实的基础。在下一篇文章中，我们将深入了解如何训练和测试神经网络，以便充分利用我们所设计的架构。请继续关注！