9、神经网络学习：从MNIST数据集到街灯问题

神经网络学习：从MNIST数据集到街灯问题

1. MNIST数据集与神经网络配置

MNIST（Modified National Institute of Standards and Technology）数据集由多年前高中生和美国人口普查局员工手写的数字组成，这些手写数字是黑白图像，每个数字图像都配有实际书写的数字（0 - 9）。该数据集被广泛用于训练神经网络以识别手写数字。

每个图像仅784像素（28 × 28），这意味着神经网络需要有784个输入值，因为每个训练示例包含784个像素值。同时，我们希望神经网络输出10个概率，分别对应每个数字的可能性。

配置神经网络以产生10个概率的方法是，修改之前能处理多输入多输出的神经网络，使其具有784个输入和10个输出。在MNISTPreprocessor笔记本中有一个脚本，用于预处理MNIST数据集，并将前1000个图像和标签加载到两个NumPy矩阵 images 和 labels 中。对于二维的图像，需要将其展平为1 × 784的向量，即将每一行像素依次连接起来。

以下是MNIST数据集相关信息的表格：
| 项目 | 详情 |
| ---- | ---- |
| 数据集名称 | MNIST |
| 数据来源 | 高中生和美国人口普查局员工手写数字 |
| 图像像素 | 784（28 × 28） |
| 输入值数量 | 784 |
| 输出概率数量 | 10 |

2. MNIST分类神经网络

新的MNIST分类神经网络与之前训练的多输入多输出网