输出层

开辟人员经常说，如不雅你想开端机械进修，你应当起首进修算法。然则我的经验则不是。

我说你应当起首懂得：应用法度榜样若何工作。一旦懂得了这一点，深刻摸索算法的内部工作就会变得加倍轻易。

在本文中，我们将创建一个机械进修模型来将文本分类到类别中。我们将介绍以下主题：

1. TensorFlow 的工作道理
2. 什么是机械进修模型
3. 什么是神经收集
4. 神经收集若何进修
5. 若何操作数据并将其传递给神经收集
6. 若何运行模型并获得猜测结不雅

假设您仍然不知道若何大年夜头开端创建所有这些算法，您可以应用一个已经为您实现所有这些算法的库。那个库是 TensorFlow。

你可能会学到很多新器械，所以让我们开端吧!

TensorFlow

TensorFlow 是一个机械进修的开源库，由 Google 开创。库的名称赞助我们懂得我们如何应用它：tensors 是经由过程图的节点流转的多维数组。

tf.Graph

在 TensorFlow 中的每一个计算都表示为数据流图，这个图有两类元素：

• 一类 tf.Operation，表示计算单位
• 一类 tf.Tensor，表示数据单位

要查看这些是怎么工作的，你须要创建这个数据流图：

(计算x+y的图)

你须要定义 x = [1,3,6] 和 y = [1,1,1]。因为图用 tf.Tensor 表示数据单位，你须要创建常量 Tensors：

import tensorflow as tf 
x = tf.constant([1,3,6])  
y = tf.constant([1,1,1]) 

如今你将定义操作单位：

import tensorflow as tf 
x = tf.constant([1,3,6])  
y = tf.constant([1,1,1]) 
op = tf.add(x,y) 

你有了所有的图元素。如今你须要构建图：

import tensorflow as tf 
my_graph = tf.Graph() 
with my_graph.as_default(): 
    x = tf.constant([1,3,6])  
    y = tf.constant([1,1,1]) 
    op = tf.add(x,y) 

这是 TensorFlow 工作流的工作道理：你起重要创建一个图，然后你才能计算(实际上是用操作‘运行’图节点)。你须要创建一个 tf.Session 运行图。

tf.Session

tf.Session 对象封装了 Operation 对象的履行情况。Tensor 对象是被计算过的(大年夜文档中)。为了做到这些，我们须要在 Session 中定义哪个图将被应用到：

为了履行操作，你须要应用办法 tf.Session.run()。这个办法经由过程运行须要的图段去履行每个 Operation 对象并经由过程参数 fetches 计算每一个 Tensor 的值的方法履行 TensorFlow 计算的一'步'：

import tensorflow as tf 
my_graph = tf.Graph() 
with tf.Session(graph=my_graph) as sess: 
    x = tf.constant([1,3,6])  
    y = tf.constant([1,1,1]) 
    op = tf.add(x,y) 
    result = sess.run(fetches=op) 
    print(result) 
>>> [2 4 7] 

猜测模型

如今你知道了 TensorFlow 的工作道理，那么你得知道如何创建猜测模型。简而言之

机械进修算法+数据=猜测模型

构建模型的过程就是如许：

(构建猜测模型的过程)

正如你能看到的，模型由数据“练习过的”机械进修算法构成。当你有了模型，你就会获得如许的结不雅：

　　推荐阅读

　　iOS AFNetworking框架HTTPS请求配置

【引自IamOkay的博客】 iOS在Apple公司的强迫请求下，数据传输必须按照ATS(App Transefer Security)条目。关于AFNetworking框架传输HTTPS数据。一.AllowsArbitraryLoads 白名单机制NSAll>>>详细阅读

本文标题：图解机器学习：神经网络和TensorFlow的文本分类

地址：http://www.17bianji.com/lsqh/34909.html

 1/2    1