根据上述结构完成神经网络模型的代码：
计算损失函数：
.5 深度学习的优势
在对深度学习的神经网络结构和原理有大致认识后，我们来分析一下这个结构为深度学习带来了什么优势。
深度学习最大的一个优势在于，它整合了特征提取的过程，可以自动学习数据集的特征。我们在前文中提到，特征工程是机器学习极其重要的一个环节，需要我们在使用机器学习模型之前建立合适的特征集。但复杂、多层的神经网络具有自主学习原始特征并进行特征工程的能力，这让我们在一定条件下可以省去手动进行特征工程这一步骤，因为深度学习模型本身可以帮我们做到。
这个结果对我们来说是相当诱人的。特征工程在人工进行的情况下耗时耗力，需要用统计方法研究特征的分布和相关性等特点进行构建、筛选、整合和重组。追求一个好的特征集能让我们的模型表现显著提升，但完美的特征集是可遇不可求的，因为特征集选取的可能性非常多，甚至是无限的。为了得到一个“最优”的特征集，我们经常要经过特征选择→模型评估→重新选择特征的反复循环过程。
深度学习之所以能从原始数据中学习特征，其背后的原理大致可以这样解释：深度学习模仿了生物学神经元传递的过程，这一过程与人脑的工作原理十分相似。
人工智能与大数据技术导论
210