【项目实训】实验九 机器学习基础

1.神经网络学习

实验背景

人工神经网络也简称为神经网络或称作连接模型，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

实验目的

• 掌握 BP 神经网络的基本原理和基本的设计步骤
• 了解 BP 算法中各参数的作用和意义

实验数据

Fashion-MNIST数据集，数据集中包含 60000 张训练样本，10000 张测试样本，可将训练样本划分为49000 张样本的训练集和1000 张样本的验证集，测试集可只取1000 张测试样本。其中每个样本都是 28×28 像素的灰度照片，每个像素点包括RGB三个数值，数值范0~255，所有照片分属10个不同的类别。

实验步骤

• 用神经网络对给定的数据集进行分类
• 不能使用 pytorch 等框架，也不能使用库函数，所有算法都要自己实现
• 整个神经网络包括 3 层——输入层，隐藏层，输出层。输入层有 28*28*3 个神经元，隐藏层有 50个神经元，输出层有 10 个神经元（对应 10 个类别）
• 可以试着修改隐藏层神经元数，层数，学习率，正则化权重等参数探究参数对实验结果的影响。
• 给出模型在测试集上的精准度,提交实验代码,提交实验模型参数数据

参考资料

• NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。在进行前传测试和后传算法的时候,尽量使用numpy库的矩阵运算，比单个单个的参数计算效率快上几十倍。
• <<机器学习>>  周志华  P97~116

实验结果

最后训练集的准确率在82%~84%左右，测试集的准确率在82~84%左右。