最小化两个预测误差的张量流程序

Question

我最近在学习tensorflow，下面的代码来自一个类示例：

 hiddenBiasUpdate = self.hiddenBias.assign_add(self.learningRate * tf.reduce_mean(hProb0 - hProb1, 0))

这段代码的解释是“第93行更新了隐藏的偏差项，试图将原始数据和重建数据的隐藏节点输出之间的误差最小化。”

我真的不明白代码是如何实现它所描述的功能的

下面是hProb0和hProb1的定义，我把它们理解为对隐藏层的预测

hProb0 = tf.nn.sigmoid(tf.matmul(self.X, self.weights) + self.hiddenBias)
hProb1 = tf.nn.sigmoid(tf.matmul(vProb, self.weights) + self.hiddenBias)