神經網路模型的結構

建立神經網路模型的結構時，通常需要三個主要層次：輸入層、至少一層的隱藏層，以及輸出層。隨著隱藏層的增加，模型的複雜度也會增加，計算時間也會增加。

1. 輸入層（Input Layer）：輸入層的主要功能是接收外部資料，不會執行任何運算。輸入層負責將外部資料傳遞到神經網路的下一個階段，是神經網路處理資料的起點。

2. 隱藏層（Hidden Layer）：隱藏層位於輸入層與輸出層之間，是神經網路的核心部分，也是機器學習模型學習的地方，負責進行數學運算、特徵擷取。

3. 輸出層（Output Layer）：輸出層的主要功能是生成模型的輸出。

廢話不多說直接上程式碼！

from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential 
#Sequential序列類別幫助我們將不同的神經網絡層疊加起來，建造深度學習模型。
from tensorflow.keras.layers import Dense
#Dense是密集的意思，表示每個神經元都與前一層的所有神經元緊密相連
from tensorflow.keras import optimizers
#Optimizer（優化器）是用來幫助神經網路調整參數用的，主要目標是要降低誤差

(X_train,y_train),(X_test,y_test)=mnist.load_data()
#一樣的載入訓練跟測試資料

1. 程式碼第二行我們給它設定64個神經元，並使用sigmoid「激活函數」參與運算。「Sigmoid激活函數」將輸入值映射為0到1之間，可以將輸出解釋為概率。這是模型的第一個隱藏層，它接收輸入數據，而輸入形狀（input_shape）設置為(784,)，表示輸入數據是784維（28*28）的向量。
2. 程式碼第三行是設定模型的輸出層，該層包含10個神經元，並使用softmax激活函數。它有10個輸出節點，每個值介於0-1之間，全部加總的值為1

model=Sequential() #建立了一個空Sequential容器
model.add(Dense(64,activation='sigmoid' , input_shape=(784,))) #用model.add() 加一層密集層
model.add(Dense(10,activation='softmax'))

1. loss='mean_squared_error'：這個參數設置了損失函數，用來衡量模型預測與實際目標之間差距的函數

2. optimizer=optimizers.SGD(learning_rate=0.01)：這個參數設置了優化器，目的是要將損失值降至最低。我們這次設定learning_rate（學習率）為0.01，他會影響模型的訓練速度和穩定性。（白話點解釋學習率不是越大或越小就越好，太大它可能會跳過極小值，太小可能又會拘泥在極小值而忽略大值）

3. metrics=['accuracy']：這個參數設置了評估指標，用來衡量學習成效，例如accuracy:0.95，就表示準確率為95%（100個樣本裡有95個預測正確）

model.compile(loss='mean_squared_error',optimizer=optimizers.SGD(learning_rate=0.01),metrics=['accuracy'])
#這行程式碼是用來Compile(編譯)神經網絡模型的，它在模型訓練過程中設定一些重要參數，包括loss function（損失函數）、optimizer（優化器）和metrics（評估指標或評量準則）。

#加上昨天做的資料預處理
X_train=X_train.reshape(60000,784).astype('float32')
X_test=X_test.reshape(10000,784).astype('float32')

X_train /= 255
X_test /= 255

1. model.fit()：這是 Keras 中用於開始模型訓練的方法。

2. X_train 和 y_train：我們的訓練樣本跟訓練標籤

3. batch_size=128：這是一個批次訓練樣本大小的參數在這個例子中，每次從6000筆資料取128個訓練樣本。批次大小的選擇會影響訓練的速度和穩定性。

4. epochs=200：這是訓練的週期，每個 epoch 表示對整個訓練數據集進行一次訓練。

5. verbose=1：這是希望在訓練過程中輸出提示信息的參數。當 verbose 設置為1時，訓練過程中會顯示訓練進度條和相關信息。

6. validation_data=(X_test, y_test)：這是用於驗證模型性能的數據。X_test 測試集的特徵，y_test 測試集的目標標籤。

model.fit(X_train,y_train,batch_size=128,epochs=200,verbose=1,validation_data=(X_test,y_test))

下面兩張圖為成果

我把程式碼打一起結果又會差很多真的很酷，上網查了一下發現深度學習中的模型訓練是一個隨機過程，因此即使使用相同的程式碼和參數，每次訓練過程也可能產生稍微不同的結果。

今日總複習：輸入層接收外部資料，隱藏層是神經網路的核心，用於特徵提取和學習，而輸出層則生成模型的預測輸出。