21、图像分类中的机器学习与生成对抗网络技术

图像分类中的机器学习与生成对抗网络技术

1. 监督学习与半监督学习在MNIST图像分类中的应用

1.1 监督学习解决方案

在处理MNIST图像分类问题时，我们首先考虑监督学习的方法。为了模拟现实世界中标记样本相对较少的问题，我们设计了以下实验。

首先，设置LightGBM算法的参数：

predictionColumns = ['0','1','2','3','4','5','6','7','8','9']
params_lightGB = {
    'task': 'train',
    'application':'binary',
    'num_class':10,
    'boosting': 'gbdt',
    'objective': 'multiclass',
    'metric': 'multi_logloss',
    'metric_freq':50,
    'is_training_metric':False,
    'max_depth':4,
    'num_leaves': 31,
    'learning_rate': 0.1,
    'feature_fraction': 1.0,
    'bagging_fraction': 1.0,
    'bagging_freq': 0,
    'bagging_seed': 2018,
    'verbose': 0,
    'num_threads':16
}

接着，在5000个标记的MNIST训练集上进行训练，并在10000个标记的MNIST