如今有了神经收集的数据流图。把我们所看到的都转换为代码，结不雅是：

# Network Parameters 
n_hidden_1 = 10        # 1st layer number of features 
n_hidden_2 = 5         # 2nd layer number of features 
n_input = total_words  # Words in vocab 
n_classes = 3          # Categories: graphics, space and baseball 
def multilayer_perceptron(input_tensor, weights, biases): 
    layer_1_multiplication = tf.matmul(input_tensor, weights['h1']) 
    layer_1_addition = tf.add(layer_1_multiplication, biases['b1']) 
    layer_1_activation = tf.nn.relu(layer_1_addition) 
# Hidden layer with RELU activation 
    layer_2_multiplication = tf.matmul(layer_1_activation, weights['h2']) 
    layer_2_addition = tf.add(layer_2_multiplication, biases['b2']) 
    layer_2_activation = tf.nn.relu(layer_2_addition) 
# Output layer with linear activation 
    out_layer_multiplication = tf.matmul(layer_2_activation, weights['out']) 
    out_layer_addition = out_layer_multiplication + biases['out']return out_layer_addition 

(我们将会在后面评论辩论输出层的激活函数)

神经统??么进修

数据集

就像我们前面看到的那样，神经收集练习时会更新权重值。如今我们将看到在 TensorFlow 情况下这是怎么产生的。

tf.Variable

权重和误差存储在变量(tf.Variable)中。这些变量经由过程调用 run() 保持在图中的状况。在机械进修中我们一般经由过程 正太分布 来启动权重和误差值。

weights = { 
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])), 
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])), 
    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes])) 
} 
biases = { 
    'b1': tf.Variable(tf.random_normal([n_hidden_1])), 
    'b2': tf.Variable(tf.random_normal([n_hidden_2])), 
    'out': tf.Variable(tf.random_normal([n_classes])) 
} 

当我们第一次运行神经收集的时刻(也就是说，权重值是由正态分布定义的):

那么，你若何 开辟直觉进修，并实现懂得机械进修这个目标?一个很好的办法是创建机械进修模型。

　　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