零python基础看程序之LSTM最后一块内容编程的总结

X = tf.placeholder（tf.float32， [None，config.n_steps，config.n_inputs]）为一个占位。相当于建立了一个LSTM网络，通过定义X的类型和LSTM的配置转换。采用加正则项作为损失函数进行优化。存在pred_Y和Y softmax，则都指向同一类，则` correct_pred =True”返回Boolen类.tf.argmax（pred_Y，1）”。

tf.cast 进行数据类型转换，盲猜应该真为1，假为0并通过tf.reduce_mean进行平均。 SESS = tf.InteractiveSession（配置= tf.ConfigProto（log_device_placement = FALSE））的INIT = TF .global_variables_initializer（）sess.run（INIT） `

经常看见有程序使用SESS，包括当时第一个的Hello World这个程序，也有使用。当时看这个程序的之后一直想不通X原先是个占坑位，在下面的

sess.run 中有使用,但还是云里雾里（真的是蟒蛇零基础哈哈），总感觉上面的pred_Y和accuracy为什么在下面的程序中也能使用。如果可以使用，那么这个会话的使用权限到底有多大拥有这两个个我质疑一决定究竟是：会话是一个什么东西首先关于的init= tf. global_variables_initializer（）变量初始化，下面这篇博文有讲>
HTTPS：//

blog.csdn.net/qq_37285386/article/details/89054090

sess.run（initializer）＃在会议里运行变量初始化

对于我，在range（config.training_epochs）中：对于开始，以zip结尾（range（0，config.train_count，config.batch_size），range（config.batch_size，config.train_count + 1，config.batch_size））：sess。运行（优化程序，feed_dict = {X：X_train [开始：结束]，Y：y_train [开始：结束]}）pred_out，precision_out，loss_out = sess.run（[pred_Y，精确，成本]，feed_dict = {X ：X_test，Y：y_test}）打印（'training iter：{}，'。format（i）+'test precision：{}，'。format（accuracy_out）+'loss：{}'。format（loss_out）） best_accuracy = MAX（best_accuracy，precision_out）打印（ ''）打印（ '最终测试精度：{}'格式（accuracy_out）。        打印（ “最佳时期的测试精度：{}”。格式（best_accuracy））        打印（ ''）

上面这一段代码是核心，大概的流程都是明白的，但主要还是看看怎么编程的吧，首先是500个循环（training_epochs），每一个历元完成打印一次相关数据。主要看下面的片段：

首先，以zip（range（0，config.train_count，config.batch_size），range（config.batch_size，config.train_count + 1，config.batch_size））结束：sess.run（op， feed_dict = {X：X_train [start：end]，Y：y_train [start：end]}）pred_out，precision_out，loss_out = sess.run（[pred_Y，精度，费用]，feed_dict = {X：X_test，Y：y_test }）

首先zip函数可以简单理解为矩阵元素合并组成一个新的矩阵（可能有误，自己看示例的理解）

zip：（range（0,7352,1500），range（1500,7353，1500））
start：0,1500,3000.4500
end：1500,3000,4500,6000。所
以相当于反向传播优化参数在一次epoch中循环4次feed_dict的作用是给使用占位符创建的张量赋值。

注：该篇有出现乱码，有些地方可能存在问题