上节课我们了解了图像的风格迁移，接下来我们来看看另一个非常出名的网络结构 —— RNN，以及语言模型这一应用场景。

随着一个又一个的台风袭来，慢慢都已经习惯了几日下雨几日晴的天气。不过这次的台风“利奇马”虽然有着和“萨其马”差不多的读音，但是给江浙、山东人民带来的并不是甜蜜的回忆。在这里要向奋斗在一线的工作人员致敬，并希望受灾的同胞能尽快恢复正常的生活。

上节课我们用 Tensorflow 搭建了一个简单的 CNN 模型，这节课我们看看除了 MNIST 之外我们还能做点什么

上节课我们了解了 CNN 的基本原理和经典网络，这节课我们就用 Tensorflow 来尝试构建一个 CNN 模型。

上节课我们了解了如何通过 Word2Vec 来处理文本，这节课我们就来看看如何处理图像。

这周的闷热已经达到了令人窒息的地步，一场大雨也无济于事，第二天依然全城桑拿。和往常一样，宅在家并不需要太多理由，写写博客学学习，陪陪夫人发发呆，便已知足。

前面我们已经学会了如何构建比较简单的模型，如果要构建和训练更加复杂的模型，我们需要做更多地工作。这节课就以 Word2Vec 模型为例子，来看看构建复杂模型所需要用到东西。

现在我们已经实现了两个简单的 TF 模型，一个是用于预测预期寿命的线性回归模型，一个是用来识别手写数字的 logistic 回归模型。我们还非常清楚使用 TF 的两个步骤（组装 graph 然后执行）。那么，如果我们想像使用 python 一样使用 TF 可以吗？答案是肯定的。

前面我们学习了 TF 的基础知识，这节课我们就来搭建一个真正的模型！

台风的再次袭来带来了连绵的降雨和凉爽的天气，好在周末出了太阳，不然一整周都湿哒哒。和往常一样，我依然是宅在家里忙里忙外，简单充实却不单调，就是很好的生活。