下面这是我写的一个案例, 根据名字来确定你是来自印度哪个地区的根据你名字的不同状态, 可以判定你的家庭人员情况, 以下是代码片段:
- size = len(names)
- train_X = np.array(names[:size * 2/3])
- train_y = np.array(indStates[:size * 2/3])
- test_X = np.array(names[size * 2/3:])
- test_y = np.array(indStates[size * 2/3:])
- X = tf.placeholder(tf.float32, [None, max_sequence_length, num_input])
- y = tf.placeholder(tf.float32, [None, num_classes])
- weights = weight_variable([num_hidden, num_classes])
- biases = bias_variable([num_classes])
- rnn_cell = tf.nn.rnn_cell.BasicRNNCell(num_hidden)
- out, states = tf.nn.dynamic_rnn(rnn_cell, X, dtype = tf.float32)
- y_ = tf.matmul(outputs[:,-1,:], weights) + biases
- loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = y_, labels = y))
- train_step = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(loss)
下面这个代码不是我写的, 这是个谷歌根据图片生成描述文字的创新下面是根据图片生成描述的案例, 完整的代码可以点击这里 (github)
但等等! 别高兴得太早, 就上面这个代码也引发了啼笑皆非的笑话
狗跳起抓住飞盘; 装满了食物饮料的冰箱; 黄色校车停在停车场
要是调教不好, AI 很可能变得和我们一样蠢
来源: http://www.jianshu.com/p/cfed65670ca1