深度学习入门(四)——神经网络是如何学习的?
所谓的神经网络学习过程是根据模型分类效果调整神经网络中上千个激活函数的所有权值和偏置值。直至模型分类精度符合要求,模型学习过程结束。
前文曾经介绍,神经元是装有激活值的容器。现在,你会发现神经元的激活值是会随着输入对象的改变而发生变化的。也就是说,神经元实际上是一个函数,它的输入值是上一层所有神经元的输出。他的输出是一个0-1的实数,也就是这个神经元本身的激活值。多个神经元函数组成了这个极为复杂的人工神经网络函数,它的输入值为被测图像每个像素点的灰度值,输出为被测图像与各个数字的相似度,仅此而已。
1.MINIST数据集
神经网络究竟是如何给每个神经元都找到合适的权值和偏置值的呢?在本例中我们希望神经网络将MINIST手写数字数据集作为“学习资料”,自动给数以万计的权值和偏置值找到合适的设定,使该神经网络具备快速、准确识别手写数字的能力。其中,MINIST手写数字数据集共有60000张训练数据,10000张测试数据。每张图像都为28*28的灰度图像,并且每张图像都配有标签说明这张图是哪个数字。神经网络就是依靠这些带有标签的数据集进行学习和评估模型性能工作的。