這四大元件就是：
這四者的關係描述如下：
多層組合在一起形成了網路，網路的目的是將輸入資料對映為**值，通過損失函式將**值和目標值比較，得出損失值，用來衡量網路的效能，而優化器的職責是迭代優化損失值來更新網路權重（bp演算法）。
層：構建網路的樂高積木
深度學習模型的最常見用法是層的線性堆疊，將單一輸入對映為單一輸出，即資料從一端進，然後從另一端出。
但是這不是唯一，還有其他的網路拓撲型別，比如：
在機器學習的定義中我們已經學過，機器學習是在乙個預先定義好的假設空間中，利用反饋訊號來尋找對輸入資料的有用的表徵。網路的拓撲結構定義了乙個假設空間。
這個假設空間就被限定為一系列特定的張量計算，我們為了做好深度學習模型，就需要為這些張量計算的權重找到一組合適的值。
選擇正確的網路架構更像是一門藝術而不是科學。雖然有一些最佳的實踐和原則，但只有動手實踐才能成為合格的神經網路架構師。損失函式與優化器
在確定了網路架構以後，還需要選擇兩個引數：
有多個輸出的神經網路可能具有多個損失函式，即每個輸出對應乙個損失函式，但是梯度下降必須基於單個標量損失值。所以，針對具有多個損失函式的網路，我們需要將所有損失函式取平均，使其成為單個標量值。
**選擇正確的目標函式對解決問題極其重要。**如果目標函式與完成當前任務不是完全相關，則網路得出的結果很可能不符合預期。
那選擇損失函式有哪些經驗指導呢？
對於分類、回歸、序列**等問題，都有很好的指導原則來幫助我們選擇正確的損失函式。比如：
所以對於絕大部分問題，都已經有了損失函式的選擇原則，除非是真的全新的問題，才需要自主開發目標函式。
換句話說，如果你開發的目標函式比現有的經驗好，絕對是一篇重量級的**。
end.
參考：《deep learning with python》
深度學習四大問題
深度學習的歷史可以追溯到幾十年前，但直到大約5年前才得到了較多的關注。其中，2012年是關鍵的一年，幾乎很多東西都發生了改變，包括三人基於imagenet做的識別影象的深度卷積神經網alexnet的分布。如今，在語音識別 影象識別 語言翻譯等領域，深度學習取得了很多的成果。就像其他主要技術成就一樣，...
深度學習四大經典書籍
我們都知道現在機器學習 深度學習的資料太多了，面對海量資源，往往陷入到 無從下手 的困惑出境。而且並非所有的書籍都是優質資源，浪費大量的時間是得不償失的。今天，給大家推薦這四本好書。推薦指數 本書自出版以來收到眾多好評，因為是 keras 作者寫的書，所以全書基本圍繞著 keras 講深度學習的各種...
Keras深度學習（四）
今天測試前幾天所提到的演算法 1.使用keras定義簡單的神經網路 from future import print function import numpy as np from keras.datasets import mnist from keras.models import seque...