對(duì)于許多機(jī)器學(xué)習(xí)算法來說，最終要解決的問題往往是最小化一個(gè)函數(shù)，我們通常稱這個(gè)函數(shù)叫損失函數(shù)。在神經(jīng)網(wǎng)絡(luò)里面同樣如此，損失函數(shù)層（CostLayer）和Optimizers因而應(yīng)運(yùn)而生（……），其中：

CostLayer 用于得到損失

Optimizers 用于最小化這個(gè)損失

需要一提的是，在神經(jīng)網(wǎng)絡(luò)里面，可以這樣來理解損失：它是輸入 x 經(jīng)過前傳算法后得到的輸出和真實(shí)標(biāo)簽y 之間的差距。如何定義這個(gè)差距以及如何縮小這個(gè)差距會(huì)牽扯到相當(dāng)多的數(shù)學(xué)知識(shí)，我們這里就只講實(shí)現(xiàn)，數(shù)學(xué)層面的內(nèi)容（有時(shí)間的話）（也就是說基本沒可能）（喂）會(huì)在數(shù)學(xué)系列里面說明。感謝萬能的 tensorflow，它貼心地幫我們定義好了損失函數(shù)和 Optimizers，所以我們只要封裝它們就好了

CostLayer

先定義一個(gè)基類：

相當(dāng)于我們把 Layer 的激活函數(shù)“偷換”成了損失函數(shù)。calculate 函數(shù)用于直接計(jì)算損失，它只在復(fù)雜模型中分析模型表現(xiàn)時(shí)用到，可以暫時(shí)不管

再定義實(shí)際應(yīng)用的 CostLayer，我們以應(yīng)用最廣泛的 CrossEntropy 為例：

這里面用的正是 tensorflow 的內(nèi)置函數(shù)

Optimizers

這一部分的封裝做得更加沒有營(yíng)養(yǎng)，大部分代碼都僅僅是為了和我自己造的輪子的接口 一致。最關(guān)鍵的部分只有兩行：

其中 self._opt 是 tensorflow 幫我們定義好的 Optimizers 中的一個(gè)，它的作用也很簡(jiǎn)單粗暴：更新 session 中的各個(gè)變量以使得損失 x 向最小值邁進(jìn)

以上，CostLayer 和 Optimizers 的定義、功能和實(shí)現(xiàn)就說得差不多了；再加上前幾章，一個(gè)完整的、較樸素的神經(jīng)網(wǎng)絡(luò)就完全做好了，它支持如下功能：

自定義激活函數(shù)

任意堆疊 Layer

通過循環(huán)來堆疊重復(fù)的結(jié)構(gòu)

通過準(zhǔn)確率來評(píng)估模型的好壞

這不算是一個(gè)很好的模型、但已經(jīng)具有了基本的雛形，走到這一步可以算是告一段落。接下來如果要拓展的話，大致流程會(huì)如下：

在訓(xùn)練過程中記錄下當(dāng)前訓(xùn)練的結(jié)果、從而畫出類似這樣的曲線：

讓模型支持比較大規(guī)模數(shù)據(jù)的訓(xùn)練，它包括幾個(gè)需要改進(jìn)的地方：

我們目前沒有把數(shù)據(jù)分割成一個(gè)個(gè)小 batch 來訓(xùn)練我們的模型；但當(dāng)數(shù)據(jù)量大起來的時(shí)候、這種處理是不可或缺的

我們目前做預(yù)測(cè)時(shí)是將整個(gè)數(shù)據(jù)扔給模型讓它做前傳算法的。數(shù)據(jù)量比較大時(shí)，這樣做會(huì)引發(fā)內(nèi)存不足的問題，為此我們需要分批前傳并在最后做一個(gè)整合

我們目前沒有進(jìn)行交叉驗(yàn)證，這使我們的模型比較容易過擬合。雖然其實(shí)讓用戶自己去劃分?jǐn)?shù)據(jù)也可以，但留一個(gè)接口是好的習(xí)慣

最后也是最重要的，當(dāng)然就是把我們的模型擴(kuò)展成一個(gè)支持 CNN 模型了。這是一個(gè)巨坑、且容我慢慢來填……