前面我們介紹了影像辨識的資料前處理方法，今天就要開始教大家架設一個神經網路，並將資料丟入來看看實際的效果，還不了解神經網路的運作概念可以先參考DAY19喔~

一、神經網路組成

一般的神經網路架構可以分為輸入層、隱藏層、輸出層，輸入層將圖片像素陣列讀取進來，經過隱藏層來做捲積運算、池化...等特徵提取以及權重計算，最後由輸出層彙整預測結果並輸出，幾乎所有的神經網路都是基於這個架構來組成的，見下圖：

當然，輸入層及輸出層比較簡單、變化相對來說也比較小，因此模型存在最多的差異就是在隱藏層，發展至今，市面上已經有無數個深度學習模型被提出來，全世界的學者、研究專家都在往更高準確率、更快的速度、更小的模型邁進，而具體來說沒有哪個模型是絕對最強的，在使用前要考慮很多面向，例如資料適合哪種架構的模型，或是用途等問題。

支援訓練類神經網路的API有Tensorflow、Pytorch...等，使用者會依照自己Coding的習慣或是一些API提供的好用功能來選擇，今天我們使用的是Tensorflow的API：Keras來做示範，近幾年大家也越來越愛使用Pytorch，Google上也開始比較找的到資源去學習，這邊也推薦大家嘗試不同的工具喔！

二、使用動手架一個神經網路

首先載入一些基本套件

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Activation, Dense

from tensorflow.keras.optimizers import Adam
from tensorflow.keras.metrics import categorical_crossentropy

架設一個神經網路模型

model = Sequential([
    Dense(units=16, input_shape=(1,), activation='relu'),
    Dense(units=32, activation='relu'),
    Dense(units=2, activation='softmax')
])

等等？一個模型這樣就架設好了？是的，架設一個神經網路模型就是如此簡單，使用這些強大的API就能輕鬆做到，當然這僅僅是一個最基礎的架構，目的是先了解其運作的架構。

稍微解釋一下上面的模型架構，我們一開始建立的Sequential大家可以想像成一個容器，模型就是一層一層的堆在這個容器裡；而Dense代表的是全連接層(Fully Conected Layer)，因為層層的連接在一起而被稱為Dense Layer；input_shape則是輸入層的維度，根據資料調整；最後是激活函數(Activation)，可以把它想像成是對信息的加工，將輸入後的數值信息加工後再輸出到下一層去計算。

查看模型架構

model.summary()
#param代表總參數量

編譯模型

為了讓我們的模型可以進入訓練階段，我們還需要幫它"裝備"一下，加強它的戰鬥力。

model.compile(
optimizer=Adam(learning_rate=0.001), 
loss='sparse_categorical_crossentropy', 
metrics=['accuracy'])

參數說明：

optimizer：一種優化器，主要幫助是模型梯度下降時能找到最優解。

learning_rate：學習率，模型收斂的速度

loss：損失函數，模型的損失值越小越好

metrics：評估指標，使用Accuracy來評估

三、訓練模型

模型架設完畢後我們就可以拿資料來訓練看看，這裡我自己隨機生成數據來做訓練。

這邊我們自己創造一個情境，假設進行一項疫苗的臨床實驗，30歲以下的年輕人打疫苗後有5%的人會出現不適狀況(Label_1)、95%的人不會(Label_0)；而30歲以上的人有95%的人打完後會出現不適狀況(Label_1)、5%的人會(Label_0)。

創建資料集

import numpy as np
from random import randint

train_samples = []
train_labels = []

for i in range(50):
    # 5%的年輕人會有不適症狀
    random_young = randint(1,30)
    train_samples.append(random_young)
    train_labels.append(1)

    # 5%的年長者不會有不適症狀
    random_old = randint(31,100)
    train_samples.append(random_old)
    train_labels.append(0)

for i in range(1000):
    # 95%的年輕人不會有不適症狀
    random_young = randint(1,30)
    train_samples.append(random_young)
    train_labels.append(0)

    # 95%的年長者會有不適症狀
    random_old = randint(31,100)
    train_samples.append(random_old)
    train_labels.append(1)

打亂資料

from sklearn.utils import shuffle
train_samples = np.array(train_samples)
train_labels = np.array(train_labels)
train_samples, train_labels  = shuffle(train_samples, train_labels)

這樣一來我們就創造出2100筆資料，其中包含各個年齡以及其對應的Label。

模型訓練

model.fit(train_samples,train_labels,batch_size=10, epochs=5, verbose=2)

大功告成啦！這樣我們就訓練好一個預測疫苗反應的模型了，可以看到準確率來到0.92，以一個非常簡單的架構所建立的模型來說已經算是不錯了，自己動手試試看吧！

四、結論

今天我們介紹了一個基本的神經網路中該有的架構，當然有一些超參數或是函數的應用我們都只是簡單帶過而已，目的是為了讓大家先熟悉神經網路的架構，並實際架設了一個簡單的模型和數據來訓練，之後的章節會再慢慢帶大家深入了解其他概念，再會啦！