機器學習中的問題

20 #1定義神經網路的輸入、引數和輸出，定義前向傳播過程

21 x = tf.placeholder(tf.float32,shape=(none,2))
22 y_ = tf.placeholder(tf.float32,shape=(none,1))
23 w1 = tf.variable(tf.random_normal([2,3],stddev=1,seed=1))
24 w2 = tf.variable(tf.random_normal([3,1],stddev=1,seed=1))
25 26 a = tf.matmul(x,w1)
27 y = tf.matmul(a,w2)

29 #2定義損失函式及反向傳播方法

30 loss = tf.reduce_mean(tf.square(y-y_))
31 train_step = tf.train.gradientdescentoptimizer(0.001).minimize(loss)

42     # 訓練模型

43 steps = 3000
44 for i in range(steps):
45 start = (i*batch_size) % 32
46 end = start + batch_size
47 sess.run(train_step,feed_dict=)
48 if i % 500 == 0:
49 total_loss = sess.run(loss,feed_dict=)
50 print("after %d training step,loss on all data is %g" %(i,total_ loss))
51

最後乙個total_loss = sess.run(loss,feed_dict=)，這裡使用loss(均方誤差）方法來訓練x和y_陣列嗎？

望大神解答疑惑。

機器學習實戰中的問題

一 問題描述 importerror no module named knn 1 原因，在引用外部的python模組時，出現的問題，找不到所引用的模組，本問題出現在實現書中引用knn模組的例子。2 解決方法 二 問題描述 nameerror name file2matrix is not defin...

機器學習中的概率問題

機器學習中的概率問題 機器學習的過程可以理解為計算機通過分析大量的資料獲得模型，並通過獲得的模型進行 的過程。機器學習的模型可以有多種表示，例如線性回歸模型，svm模型，決策樹模型，貝葉斯模型。概率型別 在理解概率模型之前，首先要理解的各種概率型別所表示的確切含義。1.先驗概率 某事件發生的概率。2...

機器學習中的範數問題

一 l0範數與l1範數 範數相當於衡量乙個矩陣的大小 l0範數是指向量中非0的元素的個數。如果我們用l0範數來規則化乙個引數矩陣w的話，就是希望w的大部分元素都是0。這太直觀了，太露骨了吧，換句話說，讓引數w是稀疏的。ok，看到了 稀疏 二字，大家都應該從當下風風火火的 壓縮感知 和 稀疏編碼 中醒...