使用 Tensorflow 2.x 构建神经网络时应该使用哪一层？

Question

我目前正在学习 TensorFlow 2.0 和 Keras。我知道激活函数用于根据数学函数计算神经网络每一层的输出。但是，在搜索层时，我找不到适合深度学习初学者的 synthetic 和 easy-to-read 信息。

有keras文档，但我想综合了解一下：

• 用于创建模型的最常用层是什么（Dense、Flatten、MaxPooling2D、Dropout 等）。
• 在什么情况下分别使用它们？ （分类、回归、其他）
• 根据具体情况，使用每一层的合适方法是什么？

Answer 1

根据您要解决的问题，您可以使用不同的激活函数和损失函数。

1. 回归问题：您想预测建筑物的价格。你有 N 个特征。当然，建筑物的价格是实数，因此您需要将 mean_squared_error 作为损失函数，并为最后一个节点设置 linear 激活函数。在这种情况下，你可以有几个 Dense() 层激活 relu，而你的最后一层是 Dense(1,activation='linear')。 在 Dense() 层之间，您可以添加 Dropout() 以减轻过度拟合效应（如果存在）。
2. 分类问题：你想检测一个人是否患有糖尿病，同时考虑几个factors/features。在这种情况下，您可以再次使用堆叠 Dense() 层，但最后一层将是 Dense(1,activation='sigmoid')，因为您要检测患者是否患有糖尿病。这种情况下的损失函数是'binary_crossentropy'。在 Dense() 层之间，您可以添加 Dropout() 以减轻过度拟合效应（如果存在）。
3. 图像处理问题：这里肯定有一堆 [Conv2D(),MaxPool2D(),Dropout()]。 MaxPooling2D 是图像处理和一些自然语言处理的典型操作（这里不展开）。有时，在卷积神经网络架构中，会使用 Flatten() 层。其目的是将特征图的维数降低为一维向量，其维数等于整个特征图深度内的元素总数。例如，如果您有一个 [28,28] 的矩阵，将其展平会将其缩小为 (1,784)，其中 784=28*28.

虽然这个问题很宽泛，也许有些人会投票决定关闭它，但我还是试着对您提出的问题做一个简短的概述。我建议您开始学习神经网络背后的基础知识，然后深入研究使用框架，例如 TensorFlow 或 PyTorch。