NeuralNetwork And Deep Learning 实验操作Chapter3

本实验在MNIST数据集上使用Python3.6进行神经网络训练,对比了不同损失函数及正则化参数对模型性能的影响,发现交叉熵损失函数优于二次代价函数,且适当正则化能有效抑制过拟合。

实验环境

Python3.6 shell
在这里插入图片描述

步骤

shell中FIle->open找到mnist_loader.py,打开。
在这里插入图片描述
之后,run->run moudle,在shell中会出现如下文字
在这里插入图片描述

交叉熵实验
输入如下命令
在这里插入图片描述
在这里插入图片描述
运行结果
在这里插入图片描述
最优结果为9568/10000,比二次代价函数要好。

over fitting

选择training_data的前1000张,Epoch=400
输入如下命令
在这里插入图片描述
运行结果
在这里插入图片描述
结果:最好结果仅为8179/10000,过度拟合

regularization

1、lambda=0.1,training_data=1000
在这里插入图片描述
在这里插入图片描述
2、lambda=5.0,training_data=50000
在这里插入图片描述
结果:准确率得到显著提升,即regulariziation可以抑制overfitting。
在这里插入图片描述

评论 3
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
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