标签：10个 git 标签 完全 hub 初始 训练 des 地址
一.MINIST数据集下载
1.https://pjreddie.com/projects/mnist-in-csv/ 此网站提供了mnist_train.csv和mnist_test.csv，其中mnist_train.csv有60000个训练数据，mnist_test.csv有10000个测试数据
2.还有两个较小数据集，可供测试。
https://raw.githubusercontent.com/makeyourownneuralnetwork/makeyourownneuralnetwork/master/mnist_dataset/mnist_train_100.csv
https://raw.githubusercontent.com/makeyourownneuralnetwork/makeyourownneuralnetwork/master/mnist_dataset/mnist_test_10.csv
二.如上下载MNIST数据集，那么MNIST数据集到底是什么呢？是0~9的数字图像的集合，在MNIST数据集中数字图像用784个像素值表示，同一个数字图像有不同的像素值。下面我们可以看下MNIST数据集长什么样子。
1.我们可以用python的open函数加载mnist_train_100.csv数据集，取第一个集合，代码如下，非常简单：
2.如下为输出的集合内容，他们是由785个数字组成，第一个数字为标签，即书写者实际希望表示的数字。后面的784个数字为书写体数字的像素值，范围在0~255之间，像素数组的尺寸为28*28.
3.从这个长达784个值的列表中，人们很难看出这些数字组成了某人书写数字5的图像。我们可以利用上面的数据画出图像，看下到底是不是5？
还是利用python代码实现：
如上，我们把上面的字符串按照","分割，转换成28*28的数组，绘制成图像，那么会是5吗，下面可以看下执行的记结果：
确实很像5，下面MNIST基础已经讲解完全，下面我们进行用标准3层神经网络实现MNIST识别。
三.用标准3层神经网络实现MNIST识别
在做一件事之前我们要先明白我们的目的是什么？一个图片，我们用眼睛可以很直观的看出是什么，比如是花、人等。但是计算机没有眼睛，我们想让它识别图片怎么办呢,这就是我们的目的。我们的目的是让神经网络能识别数字图像。搭建3层神经网络，用MNIST训练数据集训练神经网络，训练完后我们用测试训练集来测试当我们输入一个数字图像的784个像素值时，神经网络到底能不能根据这些像素值来识别出数字图像是几。
1.准备MNIST训练数据。
1.>搭建3层标准神经网络，可以参考我以前的博客。https://www.cnblogs.com/bestExpert/p/9248353.html
2.>搭建完后需要确认3层的节点数目，上面我们说了数字图像是由784个像素值组成，所以输入层需要784个节点。隐藏层节点需要多少个并没有一个明确的规定，我们可以先尝试选择100个节点。输出层我们的目的是确认数字图像是几，所以输出层需要10个节点，对应数字图像0~9。综上我们得出，输入层784个节点，隐藏层100个节点，输出层10个节点。
3.>确定输入值，输入值最佳的范围为0.01~0.99，但是数字图片的像素值在0~255之间，所以我们需要缩小像素值，使其能达到0.01~0.99的范围。如下，用python实现输入值：
4.>最后一步是确定目标值，上面我们已经说了输出层为10个节点，代表0~9，输出层数据的范围为0.01~0.99，我们可以假设一下，当输入层的像素值代表5的数字时，输出层第6个节点的输出信号应该最大，其他输出信号应该很小，处于抑制状态，这就是我们希望达到的状态，由此我们可以确定目标值应该是第6个节点输出值最大为0.99，其他输出值数据很小，为0.01，这就是我们希望达到的目标值。用python实现如下：
5.>根据mnist_train_100.csv训练数据集来训练神经网络。优化权重。
targets为目标值数组，其中output_nodes为输出层节点数，为10，第一行代码创建一个长度为10的数组，初始值为0.01，第二行代码根据像素值的标签来设置数组中那个值为0.99。、
以上步骤为第一阶段，搭建神经网络，确认3层节点，确定输入值、输出值，训练神经网络。上述综合代码比较多，需要的小伙伴可以在github上面下载，地址为：
2.测试网络。
标签：10个 git 标签 完全 hub 初始 训练 des 地址
原文地址：https://www.cnblogs.com/bestExpert/p/9291185.html
