在数据库里试试这个笔记本9月27日，我们与Databricks的技术产品营销经理Denny Lee共同主持了一场关于神经网络的在线研讨会。这是Databricks免费深度学习基础系列的第一次网络研讨会。在本次网络研讨会中，我们介绍了深度学习的基本原理，以便更好地了解是什么赋予了神经网络表达能力：深度学习的潜力和可能的应用实例人工神经网络背后的数学概念梯度下降优化，反向传播和激活函数的概念我们在Databricks上使用Keras（TensorFlow后端）演示了其中的一些概念，这里有一个链接到我们的笔记本，可以在Databricks上使用Keras CNN进行MNIST演示现在，您可以注册到第2部分和第3部分，我们将继续探索神经网络的功能，并深入研究训练神经网络的最佳实践（从准备数据集到参数调整）以及卷积神经网络的架构示例：如果您想免费访问Databricks统一分析平台，并尝试我们的笔记本电脑，您可以访问免费试用。最后，我们进行了问答，下面是按主题分组的问题及其答案。基本原理Q： 首选哪种激活功能？或者哪种情况适合特定的激活功能？如许多神经网络示例（Keras MNIST、TensorFlow CIFAR10剪枝等）所述，使用ReLU作为激活函数是一个很好的起点。请注意，每个激活函数都有自己的优点和缺点。CS231N中关于激活函数的一句话很好地总结了这一选择："我应该使用哪种神经元类型？"使用ReLU非线性，注意你的学习速率，并可能监控网络中"死"单元的比例。如果这关系到你，就试试Leaky ReLU或Maxout。不要用乙状结肠。试试tanh，但希望它比ReLU/Maxout更糟糕。Q： 你根据什么来选择每层的层数和神经元的数量？一般来说，人工神经网络的层数和单元数越多，人工神经网络的容量就越大。关键的问题是，当你的目标是建立一个通用模型时，你可能会冒过度拟合的风险。从实际角度来看，一个好的起点是：输入单元的数量等于特征的维数输出单元的数量等于类的数量（例如，在MNIST数据集中，有10个可能的值代表数字（0…9），因此有10个输出单元从一个隐藏层开始，它是输入单元数的2倍一个很好的参考是Andrew Ng的CurSera机器学习课程。Q： 训练深度学习模型的理想训练和测试数据分割大小是多少？深度学习模型的分割大小与机器学习的一般规则没有太大区别；使用80/20分割是一个很好的起点。建筑/生态系统Q： 你应该使用哪种类型的Azure虚拟机来训练神经网络（以及有多少内存）？一个好的出发点是利用具有GPU节点的集群（在本文撰写之际，对于Azure，这将是N系列vm）和足够的内存来保存可调整大小的数据部分。深入学习数据库Q： Databricks是否提供了一步一步的教程，可以帮助开发一些使用人工神经网络（ANN）的飞行员？是的，当然，我们鼓励你开始用这本笔记本来探索安的潜力。此外，有关更多示例，请参阅Databricks文档（AWS | Azure）的深入学习部分。额外资源机器学习101Andrej Karparthy的ConvNetJS MNIST演示什么是神经网络中的反向传播？CS231n：用于视觉识别的卷积神经网络教学大纲和幻灯片|课程笔记| YouTube特别关注CS231n：第7讲：卷积神经网络神经网络与深度学习张量流免费试用Databricks。今天就开始吧