TensorFlow 中的神经网络分类

人工神经网络是受生物神经网络启发的计算模型，它由大量高度互连的处理单元（称为神经元）组成。

ANN（人工神经网络）被配置用于特定应用，例如模式识别或数据分类。

它可以从复杂或不精确的数据中推导出意义。

它提取人类或其他计算机技术难以注意到的模式并检测趋势。

传递函数

ANN（人工神经网络）的行为取决于权重和输入输出函数，该函数是为该单元指定的。此函数分为以下三个类别之一

• 线性（或斜坡）
• 阈值
• Sigmoid

线性单元： 输出活动与线性单元中的总加权输出成正比。

阈值： 输出设置为两个级别之一，具体取决于总输入是大于还是小于某个阈值。

Sigmoid 单元： 随着输入的变化，输出连续变化，但不是线性的。Sigmoid 单元与真实神经元的相似性比线性或阈值单元更明显，但所有这三种都必须被视为粗略的近似值。

下面是通过它对神经网络进行分类的代码。

首先，我们创建了一个激活函数，以便我们必须绘制为 POPC 并创建 sigmoid 函数，这是一个简单的激活函数，将 Z 设为 sigmoid。

然后，我们进行继承 sigmoid 的运算。所以让我们看一个分类示例，sikat learn 有一个有用的函数和创建数据集的能力。然后我们要说我的数据等于 make blobs。它只是在那里创建了几个我们可以分类的斑点。因此，我们必须创建 50 个样本和特征的数量到状态，这将创建两个斑点，因此这只是一个二元分类问题。

现在，我们必须创建特征的散点图，即第 0 列中的所有行，因此如果我们对两个不同的斑点进行散点图，就可以对这两个高度可分离的类进行分类。

在这里，我们将构建一个 1 乘 2 的矩阵。然后，我们将其传递到我们的 sigmoid 函数中，说 sigmoid Z，因为它必然会为我们输出 0 或 1，因为我们是根据它是正数还是负数对其进行分类的。

输入的正数越多，我们的模型就越确定它属于一个类。

因此，现在我们能够成功地使用我们的图对象占位符变量激活函数进行衰退，并能够执行一个非常简单的分类。希望很快我们知道如何手动执行此操作，这将使学习张量流变得更容易，并执行张量流中的所有基本功能。

在我们的下一个主题中，我们将学习 TensorFlow 基础知识。