DNN 模型结构入下图所示：
Figure 1. DNN 模型结构
模型主要分为如下几个部分：
-
输入层：输入连续值特征，特征维度由-f指定。
-
全连接隐层：输入向量被送入N个连续的隐层，隐层之间为全连接结构。
-
输出层：输出层的神经元数量和样本的类别数一致，例如在二分类问题中，输出层会有2个神经元。通过Softmax激活函数，输出结果是一个归一化的概率分布，和为1，因此第$i$个神经元的输出就可以认为是样本属于第$i$类的预测概率。
- 数据组织
假设有如下格式的训练数据：每一行为一条样本，以空格分隔，前十列是输入10维特征，最后一列是类别标签。以下是两条示例数据：
0.1633836 -0.3711518 -0.0259373 0.1322735 0.0876563 0.2604049 0.0125503 0.2634946 0.1022274 0.6153814 1
-0.257876 0.492843 0.0172795 -0.6734815 -0.0109225 0.115816 -0.781423 0.6629765 0.062654 -0.107251 0
- 训练参数
执行 python train.py --help 可以获取train.py 脚本各项启动参数的详细说明，主要参数如下：
usage: train.py [-h] [-d DATA_PATH] [-b BATCH_SIZE] [-p NUM_PASSES] -y
MODEL_TYPE -f FEATURE_DIM [--dnn_dims DNN_DIMS] [-c CLASS_NUM]
[--num_workers NUM_WORKERS] [--use_gpu USE_GPU]
PaddlePaddle DNN model
optional arguments:
-h, --help show this help message and exit
-d DATA_PATH, --data_path DATA_PATH
path of training dataset
-b BATCH_SIZE, --batch_size BATCH_SIZE
size of mini-batch (default:100)
-p NUM_PASSES, --num_passes NUM_PASSES
number of passes to run(default:50)
-y MODEL_TYPE, --model_type MODEL_TYPE
model type, 0 for classification, 1 for regression
(default: classification)
-f FEATURE_DIM, --feature_dim FEATURE_DIM
dimention of feature, default is 800
--dnn_dims DNN_DIMS dimentions of dnn layers, default is '256,128,64,32',
which means create a 4-layer dnn, demention of each
layer is 256, 128, 64 and 32
-c CLASS_NUM, --class_num CLASS_NUM
number of categories for classification task.
--num_workers NUM_WORKERS
num worker threads, default 1
--use_gpu USE_GPU whether to use GPU devices (default: False)
data_path： 数据集的路径num_passes: 模型训练多少轮model_type: 模型分类或回归 -feature_dim: 输入特征的维度dnn_dims: 模型各层的维度设置，默认为 256,128,64,32，即模型有4层，各层维度如上设置 -batch_size：指定多少条样本后进行一次神经网络的前向运行及反向更新。class_num：分类数，当model_type为分类时必须指定。