手工搭建多层神经网络实现mnist手写识别

最新推荐文章于 2023-02-16 16:51:03 发布

请叫我迷妹

最新推荐文章于 2023-02-16 16:51:03 发布

阅读量670

点赞数

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/mimeidongyu/article/details/104736175

版权

本文介绍了在Mac环境下，利用Python3.7搭建一个包含784-30-10神经元的三层神经网络，应用sigmoid激活函数，以二次方损失函数和梯度下降优化器进行训练，学习率设定为3.0。经过训练，模型在MNIST手写数字数据集上的识别准确率达到了约96%。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

运行环境为Mac+python3.7
神经网络为3层，神经元个数分别为784，30，10，激活函数为sigmoid，损失函数为二次方，优化器为梯度下降算法，学习率为3.0，达到的准确率为接近96%
处理输入，这里的数据集为mnist.pkl.gz

import pickle
import gzip
import numpy as np


def load_data():
    file = gzip.open('mnist.pkl.gz', 'rb')
    training_data, validation_data, test_data = pickle.load(file, encoding='bytes')
    file.close()
    return training_data, validation_data, test_data


def load_data_wrapper():
    training_data, validation_data, test_data = load_data()

    training_images = [np.reshape(x, (784, 1)) for x in training_data[0]]  # 784个像素点
    training_labels = [vectorized_label(x) for x in training_data[1]]
    training_data = zip(training_images, training_labels)

    validation_images = [np.reshape(x, (784, 1)) for x in validation_data[0]]
    validation_data = zip(validation_images, validation_data[1])

    test_images = [np.reshape(x, (784, 1)) for x in test_data[0]]
    test_data = zip(test_images, test_data[1])

    return training_data, validation_data, test_data


def vectorized_label(x):
    l = np.zeros((10, 1))
    l[x] = 1.0
    return l


def