学习笔记 1，游戏场 playground，实战Google深度学习框架

看书的时候体验了一下TensorFlow游戏场 http://playground.tensorflow.org

 

网站上关于颜色解释

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.

网络上的解释，更加通俗易懂，比书写得好

https://blog.csdn.net/zchang81/article/details/69500075(图片打不开)

http://f.dataguru.cn/article-9324-1.html（图片能打开）

每组数据，都是不同形态分布的一群点。每一个点，都与生俱来了2个特征：x1和x2，表示点的位置。而我们数据中的点有2类：橙色和蓝色。我们的神经网络的目标，就是通过训练，知道哪些位置的点是橙色、哪些位置的点是蓝色。

如果橙色是橙子，蓝色是蓝莓。假设我们有2000个散落在各处的橙子和蓝莓。前1000个，我们知道坐标（1，1）的是蓝莓，（2，2）的是橙子，（0.5，0.5）的是蓝莓等等。我们要用这些信息来训练我们的神经网络，让它能够准确地预测出后1000个哪些是橙子、哪些是蓝莓。

神经网络的伟大之处就在于此。当我们在解决分类橙色点和蓝色点这样的简单问题时，想出额外的特征似乎并不是难事。但是，当我们要处理的问题越来越复杂，想出有用的特征就变成了最最困难的事。比如说，当我们需要识别出哪张图片是猫，哪张图片是狗时，哪些特征是真正有效的呢？

而当我们有了神经网络，我们的系统自己就能学习到哪些特征是有效的、哪些是无效的，这就大大提高了我们解决复杂机器学习问题的能力，简直是太酷啦！