神经网络实现Mnist数据集简单分类_针对mnist数据集,设计一个基础的深度神经网络模型来对数据集进行分类-优快云博客

本文通过TensorFlow框架构建四层神经网络，对MNIST手写数字数据集进行分类。使用双曲正切激活函数，探讨了神经网络存活率（keep_prob）对过拟合的影响，通过对比实验展示了适当降低keep_prob能有效缓解过拟合，提高模型的泛化能力。

本文针对mnist手写数字集，搭建了四层简单的神经网络进行图片的分类，详细心得记录下来分享
我是采用的TensorFlow框架进行的训练

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

首先要加载数据集

#加载数据集
mnist = input_data.read_data_sets('MNIST_data',one_hot=True)
#设定批次大小
batch_size = 200
#计算批次数量
n_batch = mnist.train.num_examples // batch_size

加载数据集可以直接调用input_data下的read_data_sets方法，括号里的路径我是放在了当前目录下可以直接引用，当然也可以引用文件的绝对路径

x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
keep_prob = tf.placeholder(tf.float32)

接着创建三个placeholder占位符，None表示可以是任意维度的张量，784是由每一个手写数字为28*28的像素伸展成一维向量的原因，10表示待分为的0-910个类别，keep_prop表示神经网络训练时设置神经元的存活率，如果为1，表示所有神经元参与工作，相当于不设置这个值，如果为0.6表示有60%的神经元参与工作。