机器学习入门：从神经网络底层到 TensorFlow/Keras 实战

对于机器学习初学者来说，“神经网络”“TensorFlow”“Keras” 这些词可能既陌生又神秘。别担心，这篇文章会把每个概念拆成 “大白话 + 实操”，让你从底层逻辑到实战落地，彻底搞懂神经网络和工具链！
一、神经网络：模仿人脑的 “数学结构”
简单来说，神经网络是由大量 “模拟神经元” 组成的分层结构，它通过 “学习数据中的模式” 来完成预测、分类等任务。我们可以把它类比成 “工厂流水线”：

输入层：接收 “原材料”（比如图片像素、文本编码）；
隐藏层：多道 “加工工序”（对数据做层层变换，是模型 “智能” 的核心）；
输出层：产出 “成品”（比如判断 “这是猫”“那是狗”，或预测 “明天股价涨 3%”）。

1. 神经元：神经网络的 “最小单元”
一个神经元的计算逻辑是：**加权求和 + 激活函数。

「加权求和」：把输入数据按 “重要性”（权重w）相加，再加上一个 “偏差b”，公式是 z = w₁x₁ + w₂x₂ + ... + wₙxₙ + b；
「激活函数」：给结果加一层 “非线性变换”，让神经元能学习复杂模式，公式是 a = f(z)。
举个例子：判断 “是不是猫” 时，“有胡须”“耳朵尖” 这些特征是输入x，模型会给这些特征分配权重w（比如 “胡须” 的权重很高），加权求和后通过激活函数输出 “是猫的概率”。

2. 激活函数：让神经元 “会思考” 的关键
如果没有激活函数，多层神经网络会退化成 “单层线性模型”，根本学不会复杂规律。常见激活函数及作用：

3. 层：神经元的 “组织形式”
神经网络的层是 “神经元的集合”，常见层类型：

全连接层（Dense）：层内每个神经元都和上一层所有神经元连接（最基础的层，用于 “综合所有特征”）；
卷积层（Conv）：专门处理图像，擅长 “提取空间特征”（比如识别 “边缘”“纹理”）；
循环层（LSTM/GRU）：专门处理序列数据（比如文本、时间序列，擅长 “记忆上下文”）。

二、TensorFlow 与 Keras：神经网络的 “施工工具”

TensorFlow：底层 “钢筋水泥”，负责处理 “张量计算、数据流图、自动微分” 这些核心逻辑；
Keras****：上层 “预制板”，把 TensorFlow 的复杂逻辑封装成简单 API，让你几行代码就能搭神经网络。

1. 张量（Tensor）：神经网络的 “数据载体”
张量就是 “多维数组”，是神经网络中数据的存在形式：

0 维张量：标量（比如 “1”“3.14”）；
1 维张量：向量（比如[1,2,3]，可以表示 “一个样本的多个特征”）；
2 维张量：矩阵（比如[[1,2],[3,4]]，可以表示 “多个样本的多个特征”）；
3 维张量：序列（比如[[[1],[2]],[[3],[4]]]，可以表示 “文本的词嵌入序列”）；
4 维张量：图像（比如[batch, height, width, channel]，batch是批量大小，channel是通道数，RGB 图是 3）。

2. 数据流图（Data Flow Graph）：神经网络的 “施工蓝图”
TensorFlow 把计算过程拆成 **“节点（操作）” 和 “边（张量）”：

节点：代表一个计算（比如 “矩阵乘法”“激活函数”）；
边：代表张量，数据沿着边在节点之间流动，最终完成整个神经网络的计算。

可以想象成 “工厂流水线”：每个工位（节点）处理原料（张量），产出半成品再传给下一个工位，直到产出最终模型。

3. 自动微分（Automatic Differentiation）：神经网络的 “学习引擎”
训练神经网络时，需要不断调整 “权重w和偏差b” 来降低 “预测错误”。这一步需要计算 “损失函数对参数的导数（梯度）”，而自动微分就是让 TensorFlow“自动帮你算导数”，不用手动推导复杂的数学公式。
比如，模型预测 “这是猫” 但实际是 “狗”，自动微分能算出 “每个权重改多少，能让预测更准确”，然后通过 “优化器” 更新权重 —— 这个过程就是 “学习”。

三、Keras 的两种模型：Sequential 与 Model 类
Keras 提供了两种搭建神经网络的方式，覆盖从 “简单到复杂” 的所有场景。
1. Sequential 模型：“线性堆叠” 的新手友好型
适合 “层与层之间无分支、无多输入多输出” 的简单场景，像 “搭积木” 一样一层一层往上堆。
实战：用 Sequential 做 “波士顿房价预测”（回归任务）

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 1. 加载数据集（波士顿房价是经典回归数据集）
boston_housing = datasets.boston_housing.load_data()
(train_features, train_labels), (test_features, test_labels) = boston_housing

# 2. 数据预处理：归一化（让不同特征的数值范围一致，模型训练更稳定）
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
train_features = scaler.fit_transform(train_features)
test_features = scaler.transform(test_features)

# 3. 搭建Sequential模型
model = models.Sequential([
    layers.Dense(64, activation='relu', input_shape=(train_features.shape[1],)),  # 输入层+隐藏层1
    layers.Dense(32, activation='relu'),  # 隐藏层2
    layers.Dense(1)  # 输出层（回归任务，无激活函数，直接输出预测房价）
])

# 4. 编译模型：指定优化器、损失函数、评估指标
model.compile(
    optimizer='adam',  # 常用优化器，兼顾收敛速度和稳定性
    loss='mse',  # 回归任务用“均方误差”衡量预测值和真实值的差距
    metrics=['mae']  # 平均绝对误差，直观看预测和真实值的平均差距
)

# 5. 训练模型：epochs是“把训练集完整过几遍”，batch_size是“每次训多少样本”
history = model.fit(
    train_features, train_labels,
    epochs=100,
    batch_size=32,
    validation_split=0.2,  # 从训练集中拆20%当验证集，看模型是否过拟合
    verbose=1  # 打印训练过程
)

# 6. 评估模型
test_loss, test_mae = model.evaluate(test_features, test_labels)
print(f"测试集上的平均绝对误差：{test_mae:.2f}（单位：千美元）")

# 7. 预测示例
sample = test_features[0:1]  # 取一个测试样本
predicted_price = model.predict(sample)
print(f"模型预测房价：{predicted_price[0][0]:.2f} 千美元")
print(f"真实房价：{test_labels[0]:.2f} 千美元")

2. Model 类模型（函数式 API）：“自由拼接” 的高手进阶型
适合 “多输入、多输出、层之间有分支” 的复杂场景（比如残差网络、多模态融合）。
实战：用 Model 类做 “多输入文本分类”（模拟场景：结合 “标题 + 正文” 判断新闻类别）

from tensorflow.keras import Input, layers, Model
import numpy as np

# 模拟数据：标题（短文本，用100维向量表示）、正文（长文本，用300维向量表示）、类别（0-4共5类）
n_samples = 1000
title = np.random.rand(n_samples, 100)
content = np.random.rand(n_samples, 300)
labels = np.random.randint(0, 5, n_samples)

# 1. 定义两个输入层
title_input = Input(shape=(100,), name='title_input')  # 标题输入，命名方便后续识别
content_input = Input(shape=(300,), name='content_input')  # 正文输入

# 2. 分别处理两个输入
title_emb = layers.Dense(64, activation='relu')(title_input)
content_emb = layers.Dense(128, activation='relu')(content_input)

# 3. 融合两个输入的特征
merged = layers.Concatenate()([title_emb, content_emb])  # 拼接特征
merged = layers.Dense(64, activation='relu')(merged)

# 4. 输出层
output = layers.Dense(5, activation='softmax', name='category_output')(merged)

# 5. 组装成Model类模型
model = Model(
    inputs=[title_input, content_input],
    outputs=output
)

# 6. 编译模型
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 7. 训练模型
model.fit(
    [title, content],  # 传入两个输入
    labels,
    epochs=10,
    batch_size=32,
    validation_split=0.2
)

# 8. 预测示例
sample_title = title[0:1]
sample_content = content[0:1]
pred = model.predict([sample_title, sample_content])
print(f"类别预测概率：{pred[0]}")
print(f"预测类别：{np.argmax(pred[0])}")
print(f"真实类别：{labels[0]}")

四、神经网络训练的 “核心逻辑”：损失、优化与迭代
很多初学者会卡在 “模型为什么能‘学习’” 这个点上，我们用 “房价预测” 的例子拆解一遍：

损失函数（Loss Function）：衡量 “模型预测值和真实值的差距”。比如回归任务用 MSE（均方误差），分类任务用交叉熵。损失越大，模型越差。
优化器（Optimizer）：根据 “损失函数的梯度” 调整模型的 “权重w和偏差b”，目标是 “最小化损失”。常用的优化器是 Adam（结合了动量和自适应学习率，收敛快且稳定）。
3.** 迭代训练（Epoch & Batch）**：

Epoch：把整个训练集完整训练一遍；
Batch：把训练集拆成 “小批量”，每次只训一个 Batch（这样更高效，也能模拟 “在线学习” 的场景）。

五、初学者避坑指南

数据预处理是 “重中之重”：

数值特征要归一化 / 标准化（比如房价、收入这些差距大的特征）；
分类特征要做独热编码（比如 “男 / 女” 转成[1,0]或[0,1]）；
缺失值要合理填充（比如用均值、中位数，或专门的缺失值模型）。

警惕 “过拟合”：

过拟合表现：训练集准确率 99%，测试集准确率 50%；
解决方法：加 dropout 层（随机让部分神经元不工作，增强泛化能力）、增大数据量、减少模型复杂度。

耐心调参，但别 “盲目调”：

先固定模型结构，调学习率（太大不收敛，太小训练慢）；
再调batch_size（太大内存不够，太小训练波动大）；
最后调隐藏层数量、神经元数量（从简单到复杂逐步尝试）。

总结
神经网络的本质是 “分层的神经元结构”，TensorFlow 和 Keras 是帮你快速实现它的工具。从 Sequential 的 “线性堆叠” 到 Model 类的 “自由拼接”，从回归到分类再到多输入任务，你可以从简单案例开始，逐步挑战复杂场景。
记住：机器学习是 “实践出真知” 的领域，把上面的代码跑通、改改参数、换个数据集，你就能在实战中不断加深理解。现在就动手试试吧，就会发现神经网络其实没那么难！

posted on 2025-11-22 16:35 熊瑾阅读(11) 评论(0) 收藏举报

刷新页面返回顶部

导航

机器学习入门：从神经网络底层到 TensorFlow/Keras 实战