15、手写数字识别的人工神经网络实践

手写数字识别的人工神经网络实践

1. 输入数据集调整

在处理人工神经网络（ANN）时，像素值通常在0到255的范围内。然而，这个范围远远超出了ANN可接受的数据输入范围。由于Sigmoid函数的限制作用，输入数据值超出±3会使函数输出饱和，从而导致ANN的学习功能失效，这种情况在通信电子术语中被称为动态范围耗尽。

为了解决这个问题，我们可以将输入数据值轻松调整到0.01到1.00的可接受范围内，且不会损失ANN的准确性。使用Python进行调整的语句如下：

adjustedRecord = (np.asfarray(record[1:])/255.0 * 0.99) + 0.01

2. 解读ANN输出数据值

ANN主要有两种功能：预测和分类。在手写数字识别项目中，我们使用的是分类类型的ANN，其目的是将数字化的手写数字分类到0到9这十个类别中。

由于输入数据值已调整到0.01到1.00的范围，ANN的输出值也应在此范围内。实际上，输出值的范围是从0.0到1.0，将输出下限从输入下限0.01降低到0.0，是因为某个输出节点可能完全没有输入。

在理想的手写数字识别ANN中，当训练集中的记录0输入到ANN时，输出会是一个特定的数据向量。但在现实中，输出向量可能如下所示：

0 178
0 052
0 027
0 035
0 042
0 686
0 109
0 063
0 051
0 018

其中有九个数