深度学习实践：图片识别技术解析-优快云博客

本文链接：https://blog.youkuaiyun.com/shasharoman/article/details/79710724

本文介绍了深度学习在图片识别中的应用，包括数据预处理、TensorFlow逻辑回归模型训练、模型优化策略如L2正则化、过度拟合处理、丢弃法以及多层神经网络的构建。通过实例展示了深度学习模型训练过程，旨在帮助读者理解并实践深度学习模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度学习-图片识别（上）

本文主要针对优达学城深度学习课程中的练习题，整理练习内容，有兴趣者可结合本文内容然后按练习题实践，帮助理解。

任务一：下载并整理数据

任务主要完成图片下载、图片内容数字化、选取三个数据集、打乱顺序、持久化数据等，步骤如下:

下载包含10个字母的两份图片数据，large与small

large与small不止数量大小区别，还在于large中的图片有没经过人工筛选，有噪点以及损坏图片，从中选取数据作为训练集与验证集，small中的图片经过人工筛选，数据相对干净，从中选取数据作为测试集

处理每个字母文件夹

每张图片可以用一个28 x 28的二维数组表示，一个目录下的n张图片放到一个n x 28 x 28的三维数组中，然后通过pickle序列化到文件中

选取训练集、验证集、测试集

从处理好的数据中选取训练集、验证集、测试集，选取过程中每个类别打乱顺序并合并不同类别，同时使用数组记录每个数据项对应的类别（label）

再次打乱顺序，并序列化到文件

针对每个数据集与label，再次打乱顺序，然后把所有数据集以及相应label包装成dict序列化到磁盘

任务作业

使用sklearn.linear_model中的LogisticRegression模型训练一个模型，主要代码：

import numpy as np
import pickle
from sklearn.linear_model import LogisticRegression

image_size = 28
train_size = 1000

data = pickle.load(open('notMNIST.pickle','rb'))

train_features = data['train_dataset'][:train_size]
train_labels =