标签： 人工智能

上期我们分享了TensorFlow的过拟合与dropout的问题过拟合（Overfitting）与dropout，本期我们来实现如何在TensorFlow中利用代码实现overfiting的问题。

overfittingt是这样一种现象：一个假设在训练数据上能够获得比其他假设更好的拟合，但是在训练数据外的数据集上却不能很好的拟合数据。此时我们就叫这个假设出现了overfitting的现象。

本期修改一下上期的代码，用TensorBoard显示下图biases 与weights信息以及其他训练信息

TensorBoard是一个可视化工具，能够有效地展示Tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。TensorBoard 和 TensorFLow 程序跑在不同的进程中，TensorBoard 会自动读取最新的 TensorFlow 日志文件，并呈现当前 TensorFLow 程序运行的最新状态。

前几期的文章，我们介绍了激励函数的感念，为何需要激励函数，那么在TensorFlow中如何使用激励函数

本期主要介绍一下TensorFlow的结构，Tensorflow 是非常重视结构的, 只有建立好了神经网络的结构, 才能放置一些数据, 进而运行这个结构.

Activation Function（激励函数）与Optimizer（优化器）

TensorFlow主要包括：构建图（相当于输入层）、计算图、启动图（相当于训练层）