scikit-learn有两个子集:一个用于训练，另一个用于测试。我的建议就是，你不应该看测试数据，因为这会在创建模型的时候会干涉你的选择。你当然不想创建一个模型来预测这个特定的测试数据,而是需要创建一个具有良好的泛化性能的模型。

　　加载数据集：

　　训练模型

　　在神经网络术语中, 一次epoch=一个向前传递(得到输出值)和一个向后传递(更新权重)。

　　需要记住tf.Session.run()方法么？我们来仔细地瞧一瞧吧。

　　在本文开始的数据流图操作中，你使用的是和操作，但是我们也可以通过一系列的事情来运行。在整个神经网络运行，你要传递两件事：损失计算和优化步骤。

　　这个feed_dict参数是我们每一次运行步骤中用来传递数据的，为了传递这些数据我们需要定义tf.placeholders(为feed_dict提供供给)。

　　正如TensorFlow文件中说的那样：

　　“一个占位符存在的唯一理由就是作为供给的目标，这不是初始化也不包含数据。”

　　所以，你可以这样定义定位符：

　　你需要分批次地训练数据:

　　“如果使用占位符进行输入，则可以通过使用tf.placeholder（...，shape = [None，...]）创建占位符来指定变量批量维度。该形状的“None”元素对应于可变大小的维度”

　　在测试模型的时候，我们用一个更大的批次来供给，这就是为什么你需要定义一个变量批维度。

　　这个get_batches()函数可以为我们提供文本的数量与批量的大小，现在我们可以运行这个模式（点图放大）:

　　现在你有了这个训练好的模型。要测试它，你还需要创建图形元素，我们将测量模型的准确性，所以你需要预报值的索引和正确值的索引(因为我们使用的是一个独热编码)，检查他们是否相等，并计算所有的测试数据集的平均值（点图放大）：

　　就是它!你使用神经网络创建了一个模型来对文本进行类别分类。恭喜你!

　　你可以在这里看到最终代码

　　https://github.com/dmesquita/understanding_tensorflow_nn

　　提示：修改我们定义的值，以查看不同更改对训练时间和模型精度的影响。

　　原文链接：

　　https://medium.freecodecamp.com/big-picture-machine-learning-classifying-text-with-neural-networks-and-tensorflow-d94036ac2274