深度学习入门——MNIST数据集计算数字图片识别精度-neuralnet_mnist

最新推荐文章于 2025-02-23 19:02:16 发布

jack_zhou.

最新推荐文章于 2025-02-23 19:02:16 发布

阅读量2.2k

点赞数

分类专栏： AI 文章标签：数字图片识别 neuralnet_mnist accuracy 批处理

本文链接：https://blog.youkuaiyun.com/ke_g3/article/details/99650702

版权

本文介绍了使用MNIST数据集进行数字图片识别，重点讨论了批处理在提高计算效率中的作用。通过使用neuralnet_mnist.py实现，批处理能有效减少每张图像的处理时间，提升神经网络运算速度。同时，文章还解释了如何通过argmax()获取最大值索引以及在分类问题中使用softmax激活函数的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前提条件：

dataset 里面有数字图片数据集
sample_weight.pkl 学习训练后的权重W及偏置b，假设已学习训练完成，学习参数保存在该文件

neuralnet_mnist.py：

import io
import sys,os
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
sys.path.append(os.pardir)

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.image import imread
import pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax

print('_hello,inited！')

## 假设学习训练已完成，学习的参数保存在sample_weiht.pkl中，测试数据10000个
def get_data():
    (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    return x_test, t_test

## 加载权重W及偏置b，利用pickle功能，高效地完成MNIST数据的准备工作
def init_network():
    with open('resource/sample_weight.pkl', 'rb') as f:
        network = pickle.load(f)
    return