記得上次練習了神經網絡分類，不過當時應該有些地方寫的還是不對。 這次用神經網絡識別mnist手寫數據集，主要參考了深度學習工具包的一些代碼。 mnist數據集訓練數據一共有28*28*60000個像素，標簽有60000個。 測試數據一共有28*28*10000個，標簽10000 ...

記得上次練習了神經網絡分類，不過當時應該有些地方寫的還是不對。 這次用神經網絡識別mnist手寫數據集，主要參考了深度學習工具包的一些代碼。 mnist數據集訓練數據一共有28*28*60000個像素，標簽有60000個。 測試數據一共有28*28*10000個，標簽10000 ...

目錄 下載數據集 加載數據集 構建神經網絡 反向傳播(BP)算法 進行預測 F1驗證 總結 參考 在本章節中，並不會對神經網絡進行介紹，因此如果不了解神經網絡的話，強烈推薦先去看《西瓜書 ...

代碼： ...

這次我們將建立一個卷積神經網絡，它可以把MNIST手寫字符的識別准確率提升到99%，讀者可能需要一些卷積神經網絡的基礎知識才能更好的理解本節的內容。 程序的開頭是導入TensorFlow： import tensorflow as tf from ...

　　在我的上一篇隨筆中，采用了單層神經網絡來對MNIST進行訓練，在測試集中只有約90%的正確率。這次換一種神經網絡（多層神經網絡）來進行訓練和測試。 1、獲取MNIST數據 　　MNIST數據集只要一行代碼就可以獲取的到，非常方便。關於MNIST的基本信息可以參考我的上一篇隨筆 ...

　　前面兩篇隨筆實現的單層神經網絡 和多層神經網絡， 在MNIST測試集上的正確率分別約為90%和96%。在換用多層神經網絡后，正確率已有很大的提升。這次將采用卷積神經網絡繼續進行測試。 1、模型基本結構 　　如下圖所示，本次采用的模型共有8層（包含dropout層）。其中卷積層 ...

下載python源代碼之后，使用： 下載下來的數據集分成： mnist.train.images 60000*784 mnist.train.labels 60000*10 mnist.test.images 60000*784 mnist ...