Merge pull request #107 from bigeyex/patch-7

订正 10.人工神经网络介绍.md Python代码中存在的格式错误

docs/10.人工神经网络介绍.md

@@ -86,13 +86,14 @@ sklearn 提供了一个感知器类，它实现了一个 LTU 网络。它可以
 
 ```python
 import numpy as np 
-from sklearn.datasets 
-import load_iris from sklearn.linear_model import Perceptron
-iris = load_iris() X = iris.data[:, (2, 3)]  # 花瓣长度，宽度 
+from sklearn.datasets import load_iris 
+from sklearn.linear_model import Perceptron
+iris = load_iris() 
+X = iris.data[:, (2, 3)]  # 花瓣长度，宽度 
 y = (iris.target == 0).astype(np.int) 
 per_clf = Perceptron(random_state=42) 
 per_clf.fit(X, y)
-y_pred = per_clf.predict([[2, 0.5]])  
+per_clf.predict([[2, 0.5]])  
 ```
 
 您可能已经认识到，感知器学习算法类似于随机梯度下降。事实上，sklearn 的感知器类相当于使用具有以下超参数的 SGD 分类器：`loss="perceptron"`，`learning_rate="constant"`（学习率），`eta0=1`，`penalty=None`（无正则化）。
@@ -143,8 +144,10 @@ MLP 通常用于分类，每个输出对应于不同的二进制类（例如，
 
 ```python
 import tensorflow as tf
-feature_columns = tf.contrib.learn.infer_real_valued_columns_from_input(X_train) dnn_clf = tf.contrib.learn.DNNClassifier(hidden_units=[300, 100], n_classes=10,                                         feature_columns=feature_columns) 
-dnn_clf.fit(x=X_train, y=y_train, batch_size=50, steps=40000) 
+feature_columns = tf.contrib.learn.infer_real_valued_columns_from_input(X) 
+dnn_clf = tf.contrib.learn.DNNClassifier(hidden_units=[300, 100], n_classes=10,
+                                         feature_columns=feature_columns) 
+dnn_clf.fit(x=X, y=y, batch_size=50, steps=40000) 
 ```
 
 如果你在 MNIST 数据集上运行这个代码（在缩放它之后，例如，通过使用 skLearn 的`StandardScaler`），你实际上可以得到一个在测试集上达到 98.1% 以上精度的模型！这比我们在第 3 章中训练的最好的模型都要好：