深度学习入门与实践+TensorFlow案例演示：神经网络层

3-5 神经网络层

上一节中，通过应用自动微分技术实现了对一条简单线性回归线的求解。然而，神经网络本质上是由多条回归线组合而成的结构，而每条回归线还可能乘以非线性的激活函数。如果采用自动微分函数逐个定义这些公式，并进行逐层连接，那么程序可能需要通过大量循环才能完成。因此，为了降低程序开发过程中的复杂性，TensorFlow/Keras 提供了多种神经网络层的构建函数，用户可以通过组合这些神经层来搭建整个神经网络结构，从而将注意力集中在算法设计本身，大大简化了开发流程。

如图 3.8 所示，一个完整的神经网络由多个神经层构成，其中包括输入层（Input Layer）、隐藏层（Hidden Layer）以及输出层（Output Layer）。在这些组成部分中，隐藏层的数量可以根据需求灵活设定。通常情况下，当隐藏层数量大于或等于两层时，该模型便可被归类为深度学习模型。

图3.