这一次我们终于可以开始真正的深度学习了，从一个神经网络开始。
神经网络（Neural Network）是深度学习的基础，基本概念包括：神经元，层，反向传播等等。如果细讲我估计没有五到十篇文章那是讲不完的。简单说它模拟了大脑神经元工作的方式，利用把多个神经元组合成网络结构的模型来对数据进行分类。
- 神经网络是一个多层结构的反馈网络，包括输入，输出和隐藏层。
- 每一层由若干个神经元组成。
- 整个网络利用反向传播，反馈输出的结果和期望值的差异来进行学习。
- 可以理解网络是一个函数ouput=function(input), 随着网络层次的加深，神经网络可以模拟一个非常复杂的非线性函数，当然学习的成本就更高，因为要学习的参数会随着层数和每一层的神经元的个数增加而增加。
TensorFlowJs提供了对神经网络／深度神经网络提供了很好的支持。包括:模型 tf.model, 层 tf.layer。
下面我们就看看如果利用TensorFlowJS来构建一个简单的神经网络来进行MINST数据的手写识别。
构建网络
以上代码构建了一个有两个隐藏层的神经网络，第一层有32个神经元，第二层有256个神经元。
- tf.sequential 构建一个序列化的网络模型，这样的网络每一层的输出连接到下一层的输入，类似一个有每一层组成的栈。不存在分支或者跳跃。
- 利用model.add向模型中增加一层
- tf.layers.dense提供一个全联接的层。units定义了该层的神经元个数。inputShape是输入数据的形状。网络中第一层必须明确指定输入形状，其余的层默认从前面的层输入。
- 最后一层决定了分类器的结果，所以我们使用softmax作为激活函数，units为10，表示10的数字0-9的分类结果。
网络初始化
- 初始化模型，定义学习率，优化器
- 调用model.compile方法，定义损失函数。
训练网络
- 训练的核心方法是调用model.fit(x,y,config)方法。x是训练数据，y是训练的分类标签。config是可选项。
- 在训练过程中，我们使用testBactch来做验证，计算准确率。结果存入model.fit的返回值中。
- 调用dispose方法释放tensor占用的内存
- tf.nextFrame() 返回一个Promise，主要用于Web动画。static nextFrame(): Promise<void> { return new Promise<void>(resolve => requestAnimationFrame(() => resolve())); }/<void>/<void>
通过改变模型的层数和每一层神经元的个数，我们可以评估该模型是否有效。
Batch ：16 神经元 ：32+256 准确率 ：0.84
Batch ：64 神经元 ：32+256 准确率 ：0.92
Batch ：16 神经元 ：32+256+256+32 准确率 ：0.75
Batch ：16 神经元 ：32+256+256+256 准确率 ：0.11
我们发现网络也并非越深越好，在最后一个4层的例子中，训练的损失很高，效果很差。
在深度学习中如果定义这些超参数（hyperparameter），真的很难。
较大的batchSize效果比较小的要好，但是由于浏览器内存的限制，我们无法加载较大的Batch训练数据。
更多的发现留给大家去尝试。
神经网络的种类有很多，以后有机会我们可以继续了解。
参考：
閱讀更多 聞數起舞 的文章
