理解层和激活函数在 Keras 神经网络中的作用

【问题标题】：Understanding the role of layers and activation functions in Keras neural network理解层和激活函数在 Keras 神经网络中的作用
【发布时间】：2020-04-15 00:03:05
【问题描述】：

(28, activation="relu")函数的作用是什么，Dropout和softmax在mnist数据集的神经网络中需要对整个代码的每一层进行适当的指导

model = tf.keras.models.Sequential([
      tf.keras.layers.Flatten(input_shape=(28, 28)),
      tf.keras.layers.Dense(128, activation='relu'),
      tf.keras.layers.Dropout(0.2),
      tf.keras.layers.Dense(10, activation='softmax')
    ])

【问题讨论】：

我建议阅读 Keras 的documentation。那里很好地解释了函数及其参数的作用。

标签： python tensorflow keras neural-network mnist

【解决方案1】：

数字 128,10 是网络中每一层的神经元数量。 tf.Dense() 用于创建图层。

relu、softmax 是激活函数，这些激活函数用于为神经元的输出提供非线性。

激活函数的目的在此处进行了很好的描述：

https://ai.stackexchange.com/questions/5493/what-is-the-purpose-of-an-activation-function-in-neural-networks.

Dropout 层用于为网络提供正则化，从而防止您的神经网络过度拟合。简单地说，通过 drop-out，一些神经元被停用，从而消除了特定特征之间的相互依赖关系。

看到这个：https://medium.com/@amarbudhiraja/https-medium-com-amarbudhiraja-learning-less-to-learn-better-dropout-in-deep-machine-learning-74334da4bfc5

【讨论】：

我们如何知道，我们的神经网络需要多少神经元？
这里有很好的解释：towardsdatascience.com/…查看这篇文章。