1、前向传播 搭建网络结构，反向传播 训练网络参数。
2、激活函数 提高了模型的表达里，使模型更具有表达力。
3、神经网络的层数，通常用神经网络的层数和神经网络待优化的参数的个数 来表示，层数 = 隐藏层的层数 1个输出层，总参数 = 总W 总b
4、神经网络的优化
四个方面：损失函数loss、学习率learning_rate、滑动平均ema、正则化regularization
(1)损失函数（loss）:预测值（y）与已知答案（y_）的差距。（即前向传播计算出的结果 与 已知标准答案的 差距）
NN 优化目标：使loss最小。主流的loss计算方法：
a) mse(Mean Squared Erros)
b) 自定义
c) ce（Cross Entropy）（交叉熵）
(2)均方误差 mse：MSE(y_, y)
loss_mse = tf.reduce_mean(tf.square(y_ - y))
（拟合可以预测销量的函数）
5、自定义损失函数
如预测商品销量，预测多了，损失成本；预测少了，损失利润。
若 利润 ≠ 成本，则mse产生的loss无法利益最大化。
自定义损失函数
y：标准答案数据集的；
y_：预测答案 计算出的
损失和
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), COSE(y - y_), PROFIT(y_ - y))) 把所有的损失求和
6、交叉熵
表征两个概率分布之间的距离
交叉熵越大，两个概率分布越远；交叉熵越小，两个概率分布越近。
y_：标准答案的概率分布；
y：预测结果的概率分布；
通过交叉熵的值，可以判断 哪个预测结果 与标准答案 最接近。
y—— = （1， 0）表示：第一种情况发生的概率是100%， 第二种情况发生的概率是0.
ce = -tf.reduce_mean(y * tf.log(tf.clip_by_value(y, 1e-12, 1.0)))
y小于1e-12时 值为1e-12(防止出现log0的错误)；
大于1.0 为1.0（这是因为 输入的数 均满足概率分布，应该在0-1之间，不可能大于1）
在实际操作中，为了使前向传播产生的结果满足概率分布，及为了使n分类的n个输出（y1,y1, ..., yn）都在0-1之间，且它们的和为1，引入了softmax()函数
当n分类的n个输出（y1, y2, ..., yn）通过softmax()函数，便满足了y概率分布要求
（yn表示 第n中情况 出现的可能性大小。对于n分类，有y1, y1, ..., yn n个输出。这n个输出 经过softmax()函数后，会符合概率分布。）
（输出 经过softmax()函数 满足概率分布之后，再与标准答案 求交叉熵）
# 输出 经过softmax()函数 满足概率分布之后，再与标准答案 求交叉熵
ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
cenn = tf.reduce_mean(ce)
# 这个输出cenn 就是：当前计算出的预测值 与 标准答案的 差距。也就是 损失函数示例代码：
代码语言：javascript复制#coding=utf-8
'''
用自定义损失函数 预测酸奶日销量
'''
# 酸奶成功1元，酸奶利润9元
# 预测少了损失大，故不要预测少，故生成的模型会多预测一些
# 导入模块，生成数据集
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
SEED = 23455
COST = 1
PROFIT = 9
rdm = np.random.RandomState(SEED)
X = rdm.rand(32, 2)
Y = [[x1 x2 (rdm.rand()/10.0 - 0.05)] for (x1, x2) in X]
# 1定义神经网络的输入、参数、输出，定义前向传播过程
x = tf.placeholder(tf.float32, shape=(None, 2))
y_ = tf.placeholder(tf.float32, shape=(None, 1))
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1) # 计算出的
# 2定义损失函数及反向传播方法
# 定义损失函数 是的预测少了的损失大，于是模型应该偏向多的方向预测
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * COST, (y_ - y) * PROFIT))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
