基于随机梯度下降法的手写数字识别、epoch是什么、python实现

本文介绍了基于随机梯度下降法和误差反向传播算法进行手写数字识别的过程。详细阐述了学习流程,包括权重参数的更新,并通过MNIST数据集进行实例演示。解释了epoch的概念,即网络完成一次完整数据集的学习周期,并分析了其在监控网络精度中的作用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、普通的随机梯度下降法的手写数字识别

1.1 学习流程

1.从训练数据中随机选择一部分数据

2.计算损失函数关于各个权重参数的梯度

这里面用数值微分方法求梯度

3.将权重参数沿梯度方向进行微小的更新

4.重复前三个步骤

1.2 二层神经网络类

params:保存神经网络参数的字典型变量

grads:保存梯度的字典型变量

def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):

input_size:输入层神经元个数

hidden_size:隐藏层神经元个数

output_size:输出层神经元个数

def predict(self, x):

进行识别,x:图像数据

 def loss(self, x, t):

求损失函数,x:图像数据;t:正确解标签

def accuracy(self, x, t):

计算识别精度

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

每天学点

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值