深度学习应用8.2多层神经网络识别手写数字

最新推荐文章于 2024-08-17 01:19:07 发布
最新推荐文章于 2024-08-17 01:19:07 发布
阅读量462 收藏
点赞数
分类专栏： TensorFlow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39289876/article/details/104764340
版权

文章目录


具体代码见 github

1两层神经网络

在这里插入图片描述
标准差0.1，在这里随机生成的比标准差两倍大会被替换
在这里插入图片描述
在这里插入图片描述
完整代码见github
还不如单层神经网络，最主要超参数设置是否合理
在这里插入图片描述
在这里插入图片描述
两侧在自己电脑上跑了540s、、、、。略慢

2三层神经网络构建

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3神经网络的层次是不是越多越好？

不是， 层数过多，训练时间越长，需要的数据越大， 有可能过拟合，需要根据情况来选择层数

4模型重构

全连接层如上写会比较复杂，容易搞混，所以全连接层有新写法
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
完整代码见github

5训练模型的保存

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
每个轮次保存3个文件，下图中第5第10第15没了因为最多保存5份文件，这3个文件最后加一个check
在这里插入图片描述

6模型还原

在这里插入图片描述
选取文件会自动取最后一份读取
在这里插入图片描述
checkpoint得到保存模型最新的状态
在这里插入图片描述
在这里插入图片描述

雨浅听风吟
关注
专栏目录
遗传算法与深度学习：优化神经网络结构
AI天才研究院
05-23 1661
关键词： 遗传算法，深度学习，神经网络，结构优化，超参数调整深度学习近年来取得了令人瞩目的成就，其在图像识别、自然语言处理、语音识别等领域展现出巨大的应用潜力。然而，深度学习模型的性能很大程度上取决于其结构和超参数的设置。手动设计神经网络结构需要大量的专业知识和经验，并且效率低下。为了解决这个问题，人们开始探索使用自动化方法来优化神经网络结构，而遗传算法作为一种经典的进化算法，为解决这一问题提供了新的思路。遗传算法（Genetic Algorithm，GA）是一种模拟自然选择和遗传机制的优化算法。它将问题的
深度学习极简教程——神经网络、模式识别、图像处理、语音处理、计算语言学、统计学等基础入门
AI天才研究院
08-09 853
人工智能（Artificial Intelligence，AI）旨在使机器模拟人类智能，执行诸如学习、推理、解决问题等任务。机器学习（Machine Learning，ML）是实现人工智能的一种途径，其核心思想是让机器从数据中学习规律，并利用学到的规律对未知数据进行预测。深度学习的核心算法是反向传播算法（Backpropagation Algorithm），其作用是根据模型的输出误差，自动调整模型参数，使得模型的预测结果更加准确。将输入数据输入到神经网络中，计算网络的输出。
keras中使用MLP(多层感知机)神经网络来实现MNIST手写体识别
人如墨的博客
06-27 4219
    Keras是一个基于python的的深度学习框架，比tensorflow更简单易用，适合入门学习，本篇文章主要介绍使用keras实现手写体识别任务。环境为python3+，Keras2.1，神经网络基础知识在此不做过多介绍。    1.    加载MNIST数据。            方式一：from keras.datasets import mnist (X_train, y_tr...
基于多层神经网络的手写数字识别
dear_arty7c的博客
11-02 698
基于多层神经网络的手写数字识别 import tensorflow as tf import os import matplotlib.pyplot as plt import numpy as np #下载读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("./MNIST_data/",one_hot=True) #模型构建 #定义全连接层函数 def f
多层神经网络 —— Sequential实现手写数字识别
xuechanba的博客
05-26 1240
在上节课， 目标：使用 Sequential 模型实现对 MNIST 手写数字数据集的识别 步骤一：设置神经网络结构 MNIST 手写数字数据集中的每个样本图片都是 28 x 28 的，在使用图片作为神经网络的输入时，通常把它拉成一个一维张量后，再送入神经网络。 因此，输入层中有 784 个结点，我们使用一个隐含层的全连接网络来实现手写数字数据集的识别。这些数字从 0 到 9，分为10类，因此输出层中有 10 个神经元。分别是当前图片属于每个数字的概率。因此这是一个多分类任务，从而输出层使用 soft
用三层神经网络识别手写数字
weixin_30697239的博客
02-11 410
前两章讲了搭建简单的三层神经网络和用三层神经网络识别mnist数据集。识别mnist数据集时有人已经把数字整理成像素值，我们只需要把像素值的大小调整下就可以当做输入值传入神经网络中，但是如果给我们一张未知的数字图片，我们该怎么得到图片的像素值呢，怎么识别这个未知的数字图片呢。 1.制作数字图片 参考：https://github.com/makeyourownneuralnetwork/mak...
Pytorch多层全连接神经网络实现手写数字识别
HKO
11-05 1004
一、库导入 import numpy as np import torch from torchvision.datasets import mnist # 导入 pytorch 内置的 mnist 数据 from torch import nn from torch.autograd import Variable from torch.utils.data import DataLoader ...
深度学习——手写数字识别——一层神经网络
joker_shy的博客
09-03 1170
代码实现 import tensorflow as tf import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data import random tf.set_random_seed(1) # 读取数据并进行独热编码 mnist = input_data.read_data...
深度学习——手写数字识别——五层神经网络
joker_shy的博客
09-04 2238
优化器 这里用了优化器，五层手写的公式比较繁多，用优化器来提高效率 代码实现 import tensorflow as tf import random import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data tf.set_random_seed(777) # rep...
Python深度学习实践：解读神经网络的解释与可视化
AI天才研究院
07-15 716
Python深度学习实践：解读神经网络的解释与可视化 关键词： 神经网络解释 神经网络可视化 深度学习
MNIST手写数字识别
最新发布
AI天才研究院
08-17 772
MNIST手写数字识别 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 问题的提出 在信息时代，图像识别技术扮演着至关重要的角色。从简单的验证码识别到复杂的医学影像诊断，图像识别技术的应用范围不断扩展。手写数字识别作为图像识别领域的一
贝叶斯网络与深度学习的结合：图像识别和分类
AI天才研究院
07-25 3062
在当今数字化时代,图像识别和分类技术已经成为人工智能和计算机视觉领域的核心研究方向之一。随着数据量的爆炸性增长和计算能力的不断提升,深度学习技术在图像处理任务中展现出了惊人的性能。然而,传统的深度学习方法往往缺乏对不确定性的有效建模和推理能力。另一方面,贝叶斯网络作为一种概率图模型,在处理不确定性和进行推理方面具有独特优势。将贝叶斯网络与深度学习相结合,有望克服单一方法的局限性,为图像识别和分类任务带来新的突破。本文将深入探讨贝叶斯网络与深度学习的结合,特别是在图像识别和分类领域的应用。
手写多层神经网络(class)
weixin_42618420的博客
05-07 400
1.下载数据 2.数据标准化 3.建立模型 4,添加神经层 5.激活模型 6.训练 7测试 from keras.datasets import mnist from keras.utils import np_utils from keras.models import Sequential from keras.layers import Dense,Activation #...
TensorFlow 第四步 多层神经网络 Mnist手写数字识别
lijil168的专栏
09-07 718
从训练样例中取1000个进行训练，再对1000个测试样例进行检测，出现过拟合情况，而且损失函数值和测试精度值波动很大。 # coding=utf-8 import os os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error """ mnist_loader ~~~~~~~~~~~~ A library to load ...
手把手写深度学习(6)：用最简单的神经网络多层感知机识别数字
沉迷单车的追风少年
11-14 715
前言：MLP多层感知机是多少人神经网络入门的初恋，这一讲从基础的多层感知机原理出发，搭建一个能够识别手写数字的MLP。众所周知，深度学习是一门工程学，我们从基础的MLP出发，一步一步手把手调参，在实践中感受调参的乐趣，优化baseline的效果。 多层感知机原理 下载数据集&&使用数据集 if not(os.path.exists('./data/')) or not os.listdir('./data/'): # not mnist dir or mn.
Mnist手写数字识别进阶：多层神经网络应用
Mu_yongheng的博客
03-13 1029
在上个实例当中，实现了单个神经元模型来识别手写数字，对于单个神经元模型，首先是输入数据，然后根据对应的权重进行求和，再通过一个激活函数即可得到最终的结果。 目录一、单个神经元模型回顾二、全连接单隐含层神经网络1、载入数据2、构建输入层3、构建隐藏层（新）4、构建输出层5、训练模型6、模型应用 一、单个神经元模型回顾 就如下图所示，就是单个神经元实现的，而我们将一个求和和激活函数这个整体看作是一个神经元，而多层神经网络无非就是多加几个神经元。 关于激活函数，常见的有以下几种： 但是从上次的训练结果来看，正
Python开发tensorflow（多层神经网络）实现mnist手写识别代码详解
ShiQuDeShiGuang的博客
04-08 557
前言 在Python开发中tensorflow可以说是整个开发体系中的核心，而其中的mnist在整个tensorflow体系中使用的次数也是很多，在本文将详细讲解如何用tensorflow可以去识别mnist的手写代码。 正文　　 标题党其实也不多，一个输入层，三个隐藏层，一个输出层。老样子先上代码，导入mnist的路径很长，现在还记不住。　　import tensorflow as tf 　　...
【深度学习】2-4 神经网络-手写数字识别
loyd3的博客
06-16 1921
MNIST是机器学习最有名的数据集之一，被应用于从简单的实验到发表的论文研究等各种场合，在阅读图像识别或机器学习的论文时，MNIST数据集经常作为实验用的数据出现。预处理在神经网络(深度学习)中非常实用，实际上，很多预处理都会考虑到数据的整体分布，比如，利用数据整体的均值或标准差，移动数据，使数据整体以0为中心分布。在实现对手写数字图像的分类，可以先假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。MINIST数据集是由0到9的数字图像构成的，MNIST数据集的使用方法是，
多层神经网络识别手写数字
08-28
仅使用Numpy实现的多层全连接神经网络，学习过程中产生的系列代码
AI人工智能深度学习算法：卷积神经网络的原理与应用
AGI通用人工智能之禅
08-10 66
1. 背景介绍 1.1 人工智能的兴起 人工智能 (AI) 作为计算机科学的一个分支，其目标是创造能够执行通常需要人类智能的任务的机器。近年来，随着计算能力的提升、大数据的出现以及算法的进步，人工智能取得了显著的进展，并在各个领域展现出巨大的潜力。 1.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值