就是如许!你应用神经收集创建了一个模型来将文本分类到不合的类别中。恭喜!

(猜测工作流)

你创建的模型的目标是对文本分类，我们定义了：

input: text, result: category 

我们有一个应用已经标记过的文本(每个文本都有了它属于哪个分类的标记)练习的数据集。在机械进修中，这种义务的类型是被称为监督进修。

• “我们知道精确的谜底。该算法迭代的猜测练习数据，并由师长教师改┞俘” —  Jason Brownlee

你会把数据分成类，是以它也是一个分类义务。

为了创建这个模型，我们将会用到神经收集。

神经收集

神经收集是一个计算模型(一种描述应用机械说话和数学概念的体系的方法)。这些体系是自立进修和被练习的，而不是明白编程的。

神经收集是也大年夜我们的中枢神经体系受到的启发。他们有与我们神经类似的连接节点。

(一个神经收集)

感知器是第一个神经收集算法。这篇文┞仿 很好地说清楚明了感知器的内部工作道理(“人工神经元内部” 的动画异常棒)。

畏敲?解神经收集的工作道理，我们将会应用 TensorFlow 建立一个神经收集架构。在这个例子中，这个架构被 Aymeric Damien 应用过。

神经收集架构

神经收集有两个隐蔽层(你灯揭捉?择 收集会有若干隐蔽层，这是构造设计的一部分)。每一个隐蔽层的义务是 把输入的器械转换成输出层可以应用的器械。

隐蔽层 1

(输入层和第一个隐蔽层)

输入层的每个节点都对应着数据集中的一个词(之后我们会看到这是怎么运行的)

如 这里 所述，每个节点(神经元)乘以一个权重。每个节点都有一个权重值，在练习阶段，神经收集会调剂这些值以产生精确的输出(过会，我们将会进修更多关于这个的信息)

除了乘以没有输入的权重，收集也会增长一个误差 (在神经收集中误差的角色)。

在你的架构中，将输入乘以权宿疾将值与误差相加，这些数据也要经由过程激活函数传递。这个激活函数定义了每个节点的最终输出。比如说：想象一下，每一个节点是一盏灯，激活函数决定灯是否会亮。

有很多类型的激活函数。你将会应用 Rectified Linear Unit (ReLu)。这个函数是如许定义的：

• f(x) = max(0,x) [输出 x 或者 0(零)中最大年夜的数]

例如：如不雅 x = -1, f(x) = 0(zero); 如不雅 x = 0.7, f(x) = 0.7.

隐蔽层 2

第二个隐蔽层做的美满是第一个隐蔽层做的工作，但如今第二层的输入是第一层的输出。

(第一和第二隐蔽层)

如今终于到了最后一层，输出层。你将会应用>

如今有了这个经由练习的模型。为了测试它，还须要创建图元素。我们将测量模型的精确性，是以须要获取猜测值的索引和精确值的索引(因为我们应用的是独热编码)，检查它们是否相等，并计算所有测试数据集的平均值：

是以输出节点的编号是输入的数据集的分类的编号。

输出层的值也要乘以权重，并我们也要加上误差，然则如今激活函数不一样。

你想用分类对每一个文本进行标记，并且这些分类互相自力(一个文本不克不及同时属于两个分类)。推敲到这点，你将应用 Softmax 函数而不是 ReLu 激活函数。这个函数把每一个完全的输出转换成 0 和 1 之间的值，并且确保所有单位的和等于一。如许，输出将告诉我们每个分类中每个文本的概率。

| 1.2                    0.46| 	
			
 2/7   首页 上一页 1 2 3 4 5 6 下一页 尾页
	
			

　　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