NO IMAGE

看書的時候體驗了一下TensorFlow遊戲場 http://playground.tensorflow.org

 

網站上關於顏色解釋

Orangeand blue are used throughout the visualization in slightly different ways, butin general orange shows negative values while blue shows positive values.

Thedata points (represented by small circles) are initially colored orange orblue, which correspond to positive one and negative one.

In thehidden layers, the lines are colored by the weights of the connections betweenneurons. Blue shows a positive weight, which means the network is using thatoutput of the neuron as given. An orange line shows that the network isassiging a negative weight.

In theoutput layer, the dots are colored orange or blue depending on their originalvalues. The background color shows what the network is predicting for aparticular area. The intensity of the color shows how confident that predictionis.

網路上的解釋,更加通俗易懂,比書寫得好

https://blog.csdn.net/zchang81/article/details/69500075(圖片打不開)

http://f.dataguru.cn/article-9324-1.html(圖片能開啟)

每組資料,都是不同形態分佈的一群點。每一個點,都與生俱來了2個特徵:x1和x2,表示點的位置。而我們資料中的點有2類:橙色和藍色。我們的神經網路的目標,就是通過訓練,知道哪些位置的點是橙色、哪些位置的點是藍色。

如果橙色是橙子,藍色是藍莓。假設我們有2000個散落在各處的橙子和藍莓。前1000個,我們知道座標(1,1)的是藍莓,(2,2)的是橙子,(0.5,0.5)的是藍莓等等。我們要用這些資訊來訓練我們的神經網路,讓它能夠準確地預測出後1000個哪些是橙子、哪些是藍莓。

神經網路的偉大之處就在於此。當我們在解決分類橙色點和藍色點這樣的簡單問題時,想出額外的特徵似乎並不是難事。但是,當我們要處理的問題越來越複雜,想出有用的特徵就變成了最最困難的事。比如說,當我們需要識別出哪張圖片是貓,哪張圖片是狗時,哪些特徵是真正有效的呢?

而當我們有了神經網路,我們的系統自己就能學習到哪些特徵是有效的、哪些是無效的,這就大大提高了我們解決複雜機器學習問題的能力,簡直是太酷啦!