前面我們使用了第一個模型，它是一個前饋神經網絡（Feedforward Neural Network，FNN）。FNN是一種神經網絡架構，它以一種前向傳播的方式工作，沒有循環或回饋的結構。在FNN中，每一層的神經元只與下一層相連，信息只會在前向方向傳播。這種結構使得FNN在建模和理解上相對簡單，因此適合初學者入門。

然而大多數的應用中，通常會使用更複雜的神經網絡架構，而不僅僅是FNN，因此接下來我們將學習更廣泛使用的基礎模型結構，包括DNN(深度神經網絡)、CNN(卷積神經網絡)、RNN(循環神經網絡)等等，這些模型具有更強大的能力，可應用於各種不同的任務。我們將從DNN開始，為我們打開更多深度學習的大門

DNN (深度神經網絡)

DNN之所以被稱為深度，是因為它包含多個隱藏層，使得網絡結構非常深，這種深度結構使DNN能夠學習從輸入到輸出之間的複雜映射關係，並且能夠自動提取數據的特徵。

圖片來源：https://www.datacamp.com/tutorial/introduction-to-deep-neural-networks

它在各種任務中都有不錯的表現，如圖像識別、語音識別、自然語言處理、數據分析等，而DNN還有一個關鍵優勢是它的通用性，它可以用於各種不同的領域和問題，只需適當調整網絡結構和訓練過程即可，並且DNN還可以與其他神經網絡結構結合，以解決更複雜的問題。

會發現其實DNN與FNN有點像，但還是有區別的，如下
DNN（深度神經網路）具有多層深度結構，適用於複雜的深度學習任務，如圖像和語音識別。
FNN（前饋神經網路）是簡單的全連接網路，用於傳統機器學習問題。
兩者構造差異在層數和連接方式。

那麼下面一樣讓我們來做實際操作

基於DNN辨識mnist手寫數字

我們一樣以mnist手寫數字作為數據集

• 首先引入函式庫

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.datasets import mnist
import matplotlib.pyplot as plt

• 載入數據集

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

• 數據預處理

train_images = train_images.reshape((60000, 28 * 28))  # 展平成一維數組
test_images = test_images.reshape((10000, 28 * 28))
train_images = train_images.astype('float32') / 255  # 正規化像素值
test_images = test_images.astype('float32') / 255

• 建立DNN模型

model = Sequential()
model.add(Dense(128, input_shape=(28 * 28,), activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

• 訓練模型

# 訓練模型
history = model.fit(train_images, train_labels, epochs=10, batch_size=64, validation_data=(test_images, test_labels))  # 使用 validation_data 同時驗證損失

# 建立 LOSS 圖表
#train loss
plt.plot(history.history['loss'])
#test loss
plt.plot(history.history['val_loss'])
#標題
plt.title('Model loss')
#y軸標籤
plt.ylabel('Loss')
#x軸標籤
plt.xlabel('Epoch')
#顯示折線的名稱
plt.legend(['Train', 'Test'], loc='upper left')
#顯示折線圖
plt.show()

# 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

訓練結果與Loss圖

以上就是DNN的介紹與模型，明天則開始介紹CNN與實際建立一個CNN模型，希望今天的內容能夠幫上忙，明天見。