利用神经网络识别手写数字笔记

最新推荐文章于 2023-12-04 17:52:10 发布

张启明

最新推荐文章于 2023-12-04 17:52:10 发布

阅读量1.7k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：神经网络

本文链接：https://blog.youkuaiyun.com/qq_18149897/article/details/79002299

深度学习专栏收录该内容

2 篇文章

订阅专栏

本文介绍了一种使用神经网络识别手写数字的方法。通过Anaconda3搭建TensorFlow环境，并使用MNIST数据集进行训练和测试。实验发现，通过增加隐藏层神经元数量，识别准确率从初始的约96%提升到了96.66%，展示了神经网络的强大能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近尝试使用文章中的方法识别手写数字，文章来源
第一章：利用神经网络识别手写数字
使用Anaconda3下载地址（Anaconda3）
使用包管理工具中创建TensorFlow的环境并将自带的IDE spyder用Git汉化—仔细阅读说明后实现。
1.使用anaconda3创建TensorFlow环境—-大神链接

以下数据集及源码均使用python2.6/2.7编写，如果不想自己改代码，就集成python2.7的开发环境

2.打开spyder使用python management管理包路径

python management管理外包

3.下载测试数据、训练数据及源码
4.打开解压并更改src目录下的mnist_loader.py的数据集路径（更改为本地）
很关键文章没有详细说明查了好久才发现~

5.码代码尝试效果

#导入训练集
import mnist_loader
training_data, validation_data, test_data = mnist_loader.load_data_wrapper()



#创建神经网络结构 784个输入神经元  30个隐藏神经元 10个输出神经元
import network
net = network.Network([784, 30, 10])
net.SGD(training_data, 30, 10, 3.0, test_data=test_data)

效果：
这里写图片描述

此时，我们尝试更改隐藏层神经元的个数：

#导入训练集
import mnist_loader
training_data, validation_data, test_data = mnist_loader.load_data_wrapper()



#创建神经网络结构 784个输入神经元  100个隐藏神经元 10个输出神经元
import network
net = network.Network([784, 100, 10])
net.SGD(training_data, 30, 10, 3.0, test_data=test_data)

效果：
这里写图片描述

我们可以观察到通过更改隐藏层神经元的个数，识别效果会变得更有效，更改后最终可以识别9666张数字图片（在10000张图片中），同时，sigmod函数也成功代替了0/1输出（通过定义小数区间）并将结果更均匀的分散开来，最后的结果线性平滑，最后通过调整“超参数”使结果可调性变得更明显，可以让人工干预的更有效。