深度学习笔记四：MNIST实战

最新推荐文章于 2025-09-27 14:16:26 发布

原创

最新推荐文章于 2025-09-27 14:16:26 发布 · 1.5w 阅读

69 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络

这篇笔记详细介绍了基于深度学习的MNIST手写体分类任务。首先阐述了任务和数据，包括数据集的结构和读取方式。接着，通过`mnist_loader.py`文件解析数据，并进行适当的预处理，以适应神经网络的输入格式。最后，文章提到了神经网络部分，但未展示具体代码。

这里的实战是根据Neural Networks and Deep Learning的前两章整理出来的。用了它提供的数据集以及一些代码。然后自己修改了他的一些代码，使得更加容易理解。

一.任务及数据

就是自己写一个神经网络来实现对于MNIST数据集的手写体分类任务。作者提供了一个数据集，这里就使用作者的数据集。
MNIST数据集
下载下来直接放在工程目录里面就行了。
训练(train) : 50,000
验证(validation): 10,000
测试(test): 10,000
从任务和输入就能够得到大概的网络结构：
这里写图片描述

损失函数为二次误差函数
激活函数为sigmoid函数。

二.读取数据

读取数据由mnist_loader.py这个文件实现。
代码:

# -*- coding: utf-8 -*- 
from __future__ import print_function,division
import pickle
import gzip
import numpy as np

#从数据集中载入数据
def load_data():
    file=gzip.open('mnist.pkl.gz','rb')
    training_data,validation_data,test_data=pickle.load(file)
    file.close()
    return training_data,validation_data,test_data

#改编数据集的格式
def data_wrapper():
    tr_d,va_d,te_d=load_data()
    #训练集
    training_inputs=[np.reshape(x,(784,1)) for x in tr_d[0]]
    training_labels=[vectorized_label(x) for x in tr_d[1]]
    training_data=zip(training_inputs,training_labels)

    #验证集
    validation_inputs=[np.reshape(x,(784,1)) for x in va_d[0]]
    validation_data=zip(validati