总体来说，昨天的工作还是客观的。
上午我首先运行的是lstm.py这个demo。也不知道是我下的python和TensorFlow的版本和教程的不同，还是其他原因，老是有错误，真是让我生气的。我又查找了好长时间的错误，这个demo是在TFLearn下做的。这个TFLearn是比TensorFlow更高一级的，而且代码简单清晰。就短短的几行代码解释了如何使用lstm进行循环神经网络的训练，很是厉害。这个例子，主要是计算最后的最大输出概率，我最终也没有弄懂是做什么的。
因为只是看结果根本就看不出是做什么来的，我就查询该例子的解释，网上还真有人贴出来的。输入的时候是向量，输出也是向量，该例子主要是对比了一个文件中的前1000个词语，并且每个词的最终维度都是100。输出的是一个.pkl文件。我查了查该文件是属于python的以一个数据存储文件，我本来想着是用自己写一个python程序看里面是什么内容，结果都不成，我也就放弃了。
后来，我又测试了网上的一个“泰坦尼克号”的例子。该例子主要是根据年龄、性别，录入神经系统中，再次输入一组数据时，判别该特征人是否存活。试了之后发现是可行的。但是，这个有些简单，我其实可以从普通的程序也可以完成这项操作，所以说，没有什么可值得记录的知识点。
最后测试的一个例子，是英文版的问答。
里面是用json文件存储所以的问题、答案。在神经网络中存储的时候，是按照以下格式存储的。
例如：
A：第一个问题 B：第一个答案
A1：第二个问题 B1：第二个答案
A2：第三个问题 B2：第三个答案
存储格式：(A,B)、(B,A1)、(A1 , B1)、(B1 , A2 )、(A2 , B2)
存储之后记录，经过神经网络处理后，可以得到每个词的概率。输入句子后，经过处理可以得到答案。根据这个代码测试后，我发现了一个不怎么好的地方。
在基于上下文处理过程中，是在给定的文本中做了特定处理，和普通问答题是有区别的。我认为这样是不合理的。如果能这样做处理，那还需要神经网路做什么？今天我还会再次跟进这个问题。
在做的过程中，我发现了TFLearn都用的是DNN做处理，虽然测试了几个例子，但是我还没有了解什么是DNN。
1：了解DNN的主要工作原理。
2：TFLearn中SLTM中的使用。
3：继续测试demo，找到合适我们所需要的。
刚开始的时候确实很难，昨天上午看了那么长时间，我觉得自己都不想上班了，真的是让我很头疼。换了个语种，而且跨度很大。真是头疼。不过，既然我已经对这个有了点了解，今天我觉得会比昨天做的更好。