重点剖析深度神经网络(DNN)实现过程

前言

        当简单的了解了深度神经网络和卷积神经网络后,我们会发现两者之间是有着一些联系的,其实两者的原理都是利用已经处理好的数据集来对网络进行逐步的训练,从而使它更加贴合真实的情况,但是,两者之间也是有点不同的,卷积和池化,就是在DNN的基础上加载进来的,那么为什么要引入这两个概念,因为,在日常生活中,我们不可能碰到像mnist这种已经处理的十分友好的数据集,大多数情况我们面对的就是复杂的图片,那么对于更加复杂的图片,我们就需要更加高级的方法去处理,不是说DNN处理不了,而是不合适.

        那么卷积神经网络就给了我们一个很好的选择,因为在计算机领域,最优解是每个人都在追求的,接下来我们将深度剖析DNN实现过程

深度神经网络(DNN)

        接下来我们以mnist数据集作为例子,给大家详细讲解深度神经网络的实现过程,

    介绍mnist数据集

        mnist数据集是一个入门级别的计算机视觉数据集,它包含了各种各样的手写数字照片,请看下图

        我们主要介绍DNN的实现过程,所以在这里,我们只是简单的介绍一下mnist数据集

        数据集被分为两个部分,60000行的训练数据和10000行的测试数据集,这样大家可能还是有点不太理解,我这样来说,我们将机器想象成一个人的大脑,当我们要去学习某件事物的时候,比如我们要学会做某一道数学题,那么在会做之前,我们是不是得做大量的练习,从而发现其中的规律,而这些大量的练习题,就是所谓的训练数据,现在,我们也已经做了大量的数学题了,考试要来了,那么,考试题就是所谓的测试数据集,因为你得测试一下你是否真的掌握了这道题,神经网络其实就是模拟了人脑的学习过程.

        每一个数据单元有两部分组成,一张包含手写数字的图片和一个对应