Tensorflow的初学习进程(7)——Tensorflow游乐场和神经网络

tensorflow游乐场(http://playground.tensorflow.org)是一个通过网页浏览器就可以训练的简单神经网络并实现可视化训练过程的工具。

在图中的左侧提供了4种不同的数据集来测试神经网络。选择的数据会显示在图中的output栏中。在默认的数据集中，可以看到这个二维平面上有蓝色和黄色的点，因为只有两种颜色，所以可以看作一个二分类的问题。

将实际问题中的实体类比，每一个平面上的点都代表了实体的一个属性，比如一个零件的长度和质量，而对零件是否合格的判断是训练的结果。那么提取这些属性，就是所说的特征提取。通过特征提取，每一个实体就可以转化成平面上的点。假设使用长度和质量作为一个零件的特征向量。在图中，features一栏对应了特征向量。

特征向量是神经网络的输入，神经网络的主体如图中所示，是一种分层结构，第一层为输入层，代表特征向量中每一个特征的取值。在二分类问题中，比如判断零件是否合格，神经网络的输出层往往是一个节点，这个节点会输出一个实数值，=。通过它和预先设定的阈值相比较，可以判断是否合格。（数据离阈值越远时，数据越可靠）

输入层和输出层中间是隐藏层，一般隐藏层越多，神经网络的深度越深，tf游乐场中可以通过+-来增加减少隐藏层，也可以设置隐藏层的相关参数，比如节点数，学习率，激活函数，正则化。

最后对结果数据的分析，可以根据结果的颜色深浅等来判断，每个点的颜色就可以体现不同特征向量在这种情况下节点的输出值，一般数据越大颜色越深。

主要来说，使用神经网络解决分类问题可以分为以下四个步骤：

1. 提取问题中实体的特征向量作为神经网络的输入。不同实体可以提取不同的特征向量。
2. 定义神经网络的结构，并定义如何从神经网络的输入得到输出。这个过程就是网络的前向传播算法。
3. 通过训练数据来调整神经网络中参数的取值。
4. 使用训练好的神经网络来预测未知的数据，这个过程和步骤2的前向传播算法一致。