文章目錄

• • 神經網絡（第五章補充）--手寫數字識別
  • MNIST數據集
  • • 第一步：導入我們的數據包
    • 第二步：定義獲得數據的函數
    • 第三步：定義獲取權重參數的函數
    • 第四步：三層神經網絡計算函數定義
    • 第五步：調用函數，取得參數
    • 第六步：計算精度
  • batch批處理

神經網絡（第五章補充）–手寫數字識別

• 我們要處理的問題是手寫數字的識別
• 手寫數字的數據存在MNIST的數據包里
• 假設我們已經得到了權重參數，我們來模擬一下測試過程

MNIST數據集

第一步：導入我們的數據包

import sys,os sys.path.append(os.pardir) import numpy as np import pickle #文件存儲的格式 from dataset.mnist import load_mnist from common.functions import sigmoid,softmax

調用資源來自于：https://github.com/MemorialCheng/deep-learning-from-scratch
感謝大佬的分享！

第二步：定義獲得數據的函數

def get_data():(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=True,one_hot_label=False)return x_test,t_test

第三步：定義獲取權重參數的函數

讀入記錄權重的文件sample_weight.pkl

第四步：三層神經網絡計算函數定義

第五步：調用函數，取得參數

** x.shape ----> (10000,784)表示有10000張圖像，每一張圖像是28*28（=784）大小的**
t.shape -----> (10000,)表示與每一張圖像對應的數字是多少
network生成，取權重值

第六步：計算精度

batch批處理

ok，栗子結束啦，還是看的b站一學習大佬的深度學習入門視頻做的學習筆記，視頻鏈接如下，感謝大佬的講解：
https://www.bilibili.com/video/BV12t411N748

總結

以上是生活随笔為你收集整理的神经网络（第五章补充）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。