1. 多标签分类

• 多标签分类：对于单个输入特征，输出多个不同的标签y
• 多类分类：对于单个输入特征，输出单个标签y，但y的可能结果有多个

2. 为多标签分类构建神经网络模型

• 我们可以构建三个不同的神经网络模型来分别预测三个不同的标签y，但这种方法很低效。
• 另一种方法，可以构建一个神经网络模型来同时预测三个不同的标签y。
• 这种情况下，输出层有三个神经元，且每个神经元的激活函数设为sigmoid，因为每个神经元的判断都是独立的，而softmax输出层的所有神经元的概率之和为1

3. Adam算法

• 在梯度下降中，学习率α控制着每一步的大小，如果α太小，可能会导致每一步走的太小，从而使梯度下降执行的太慢；相反，如果α太大，可能会导致每一步走的太大，从而使梯度下降来回振荡。
• Adam算法可以自动调整α的大小，来保证可以用最短、最平滑的路径到达成本函数的最小值，通常它比梯度下降算法的速度要更快
  
• adam算法并没有对模型中的所有α都采用同一个值。相反，它使模型中每一个w、b都对应一个α
  
• 在w、b参数每次改变都朝着大致相同的方向移动时，adam算法会加大学习率α
• 在w、b参数每次改变都不断来回振荡时，adam算法会减小学习率α
  
• 使用adam算法时，需要在compile()函数中，添加一个参数，指定使用adam优化器
• adam优化算法需要设定默认的初始学习率α，在实际实践中，可以多试几个默认α值，看看哪个α的速度最快

4. 卷积层

• 对于密集层（dense layer）来说，该层每个神经元的输入都是上一层的所有神经元的激活值
  
• 对于卷积层中，该层的每个神经元都只能查看前一层的部分神经元的激活值
• 卷积层的优势：提高了计算速度，需要更少的训练数据，也不容易出现过拟合
  
• 在判断病人是否患有心脏病的模型中，前两层采用卷积层，该层的每个神经元都只查看前一层的部分输出，第三层采用sigmoid层，该层查看前一层的所有输出
• 卷积层的每个神经元之间查看的上一层的输出可以有重复