全连接神经元网络测试MNIST数据集

最新推荐文章于 2022-04-18 21:18:02 发布

逗创创

最新推荐文章于 2022-04-18 21:18:02 发布

阅读量742

点赞数 1

分类专栏：机器学习&计算机视觉文章标签：全连接神经元网络 MNIST数据集手写数字识别计算图

本文链接：https://blog.csdn.net/u014005758/article/details/90266895

版权

本文介绍了使用全连接神经网络对MNIST数据集进行手写数字识别的实验。模型包括输入层、1个隐藏层和1个输出层，隐藏层有100个节点，输出层有10个节点。训练过程涉及前向传播和反向传播，计算图由张量、操作、变量和会话构成。模型效果不佳的原因可能是网络结构简单，隐藏层神经元数量少，训练轮次不足。

摘要由CSDN通过智能技术生成

1、代码的运⾏log截图

输入图片说明

2、对模型结构的理解

本模型是一个2层的全连接神经元网络，包含输入层、1个隐藏层、1个输出层。

输入层为784个node的张量，既为32*32分辨率并经过二值化后的图片的所有像素点组成的一个向量。

第一层为隐藏层，有100个node，其值为输入层的784个节点乘以784*100个权重加上偏置项后的和，经过relu激活函数取得的结果。

L1_units_count = 100   #第一层网络

W_1 = tf.Variable(initialize([784, L1_units_count]))
b_1 = tf.Variable(initialize([L1_units_count]))
logits_1 = tf.matmul(x, W_1) + b_1
output_1 = tf.nn.relu(logits_1)

第二层为输出层，输出10个node，其值为隐藏层的输出值乘以100*10个权重，加上偏置项取得（此时的数据未经过激活函数，将会在后面使用softmax函数激活）。

L2_units_count = 10   #第二层网络
W_2 = tf.Variable(initialize([L1_units_count, L2_units_count]))
b_2 = tf.Variable(initialize([L2_units_count]))
logits_2 =