手寫數(shù)字識別是神經(jīng)網(wǎng)絡經(jīng)典案例之一，該項目數(shù)據(jù)集小、神經(jīng)網(wǎng)絡簡單、任務簡單，但是集合了CNN網(wǎng)絡中幾乎所有該有的東西。下面是該項目的大致流程。
首先，導入必要的庫以及加載數(shù)據(jù)集，并且區(qū)分開數(shù)據(jù)集以及訓練集。緊接著，對數(shù)據(jù)進行預處理，將圖像變?yōu)樵瓉淼?8像素*28像素的形狀，可以通過reshape()方法的參數(shù)指定期望的形狀，更改NumPy數(shù)組的形狀。然后對MNIST數(shù)據(jù)集實現(xiàn)神經(jīng)網(wǎng)絡的推理處理，輸入層為784個神經(jīng)元，輸出層有10個神經(jīng)元，此外這個神經(jīng)網(wǎng)絡共有2個隱藏層，第一層為50個神經(jīng)元，第二層有100個神經(jīng)元。我們定義一個函數(shù)實現(xiàn)神經(jīng)網(wǎng)絡的推理過程，并且評價它的識別精度。識別精度指神經(jīng)網(wǎng)絡所預測的答案正確個數(shù)與正確解標簽的比值。以上就是MNIST數(shù)據(jù)集的神經(jīng)網(wǎng)絡的實現(xiàn)。



同一個分類任務，我們也可以用機器學習的算法來做，在用機器學習算法來做時，首先要明確feature和label，即我們需要實現(xiàn)確定好特征，特征數(shù)目過少，我們可能無法精確的分類出來，如果特征數(shù)目過多，又可能會由于我們在分類過程中賦予某個特征不恰當?shù)臋?quán)重導致分類錯誤，即過擬合。而神經(jīng)網(wǎng)絡的出現(xiàn)使我們不需要做大量的特征工程，我們可以直接把數(shù)據(jù)放進去，讓它自己訓練，自我“修正”，即可得到一個較好的效果。