白话TensorFlow+实战系列（二） 从头构建传统神经网络   这次主要用TensorFlow从头构建一个传统神经网络作为案例，并总结需要注意的地方   创建一个神经网络主要有一下4个步骤： 1.定义神经网络的结构，即计算图 2.定义损失函数 3.在会话中，将数据输入进构建的神经网络中，反复优化损失函数，直至得到最优解 4.将测试集丢入训练好的神经网络进行验证   假设

白话TensorFlow +实战系列（五） 实战MNIST          这篇文章主要用全连接神经网络来实现MNIST手写数字识别的问题。首先介绍下MNIST数据集。        1）MNIST数据集        MNIST数据集是一个非常有名的手写数字识别数据集，它包含了60000张图片作为训练集，10000张图片为测试集，每张图为一个手写的0~9数字。如图：

机器学习（一）                                                                             感知机         感知机（perceptron）作为机器学习中最最基本也是最最简单的一个模型，其重要性不言而喻。首先感知机是一个二分类的线性模型，二分类表示输出结果只有两个，一般用y={-1,+1}表示，+1表示正例，

白话TensorFlow +实战系列（一） 变量管理          这篇文章主要记录常用的两种管理变量的方法。个人感觉变量管理是比较重要的，特别是当创建一个复杂的神经网络的时候，变量一旦增多，如果不好好管理这些变量，代码的可读性会变得比较差，到最后可能自己都不知道变量到底指的是啥。所以，这次总结了两种常用的管理变量方法。         1）基于字典的方法创建变量

白话TensorFlow+实战系列（一） 详解Tensor与Flow 这是本人第一次写这么正经的博客，一方面是想将自己所学的知识系统的记录下来，另一方面也算是一个记录自己学习过程吧，以后可留作一个念想。本人一直在学习深度学习的有关知识，主要研究自然语言处理方面。老实讲，这几天在用TensorFlow写BiLSTM时，发现自己代码写的太乱，之前实现简单任务时呢，由于代码量不多，所

白话TensorFlow+实战系列（三） 常用损失函数以及参数优化   这次主要介绍常用损失函数以及关于神经网络优化的问题   1.常用损失函数： 神经网络解决的现实问题主要有两大类：分类与回归。分类指的是将未知数据归类到你希望的类别中去，如经典的mnist识别手写数字，就是将图片分类到0~9中。回归问题一般是拟合一个具体的数据，如预测房价与房屋面积、单价的关系。下面就从这两方面列举常用

随着应用买量成本的不断攀升，产品变现面临着更大的挑战。 在这个背景下，H5游戏凭借快速迭代、体验成本低、研发门槛低的特点，受到众多应用场景的欢迎。 再加上H5游戏极强的渗透率和通过性，使其成为各大产品作为用户运营的补充和变现的手段之一。这意味着现在市面上大家所看到的App、网站，包括社交媒体上的达人都可以成为 H5 游戏的入口。 在海外市场中例如Facebook、Google等超级App、各大