机器学习入门案例简单理解

机器学习入门案例简单理解

 

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/diaoling1990/article/details/67670370

这两天仔细看了看机器学习的入门案例，一般程序的入门案例都是“hello world”；但是机器学习的比较特殊，是一个MNIST案例。

案例的具体操作不做为重点去写，主要是想记录一下自己对案例中的处理方法，处理思路的理解，对于我这个数学能力有限的小白入门来说，确实花费的功夫不小啊，赶紧记录下来，希望下次再回想时不用那么费力了。

效果

MNIST主要就是通过机器学习，教会电脑认识手写的1-9的数字，原理对于我来说比较复杂，看我慢慢道来。

如下图的数字： 
 
通过机器学习后，电脑能认出来，并且准确率要90%以上

模型

其实上面的每一个数字都是如下图的 

一个28x28的一个像素点组成的，总共是28x28=784个像素点；

那么每一张图我们可以用像[0，0，0，…，0]（总共784位）的一个向量，也就是一个矩阵来表示，每一个像素点用0-1的值来描述它的色值；简单的说如上图的一个数字图像，本来是28x28的一个像素集，我们把它每一行的点都往第一行后面追加，变成一个784x1的像素集（当然会有信息有所改变，这里先不计）。

总的来说，我们把一个数字图片用一个784维的向量x来表示了，我们再用一个变量y表示这个数字真正的值，y呢，是一个[0,0,0,0,0,0,0,0,0,0]这样的10维的向量，第几维的数字是1，这就代表是几，如[0,0,1,0,0,0,0,0,0,0]表示2。现在我们把x叫作自变量，y叫作因变量，x，y的关系简单的用一个函数来表示：

y = ax + b;

• 1

因为y是一个1x10的矩阵，x是一个1x784的矩阵，那么可以通过矩阵的乘法，加法，得知，a是一个784x10的矩阵，b是一个1x10的矩阵。（忘记矩阵的自行复习一下）

到这里，我们就了解了，x代表一张手写数字的图，y代表手写图表示的数字，x，y用一个简单的函数 
y = ax + b; 
来表示了，我们只要通过大量的数据训练出a，b的值，就可以通过x知道y的值了，

至少，我是简单粗暴的就这样理解了。

评估值

接着上面的说，如果训练好了a，b，我们就能通过图片x，预测我们的图片所代表的数值y了，我们假设y'是这个图片实际代表的值，y是我们通过图片x预测的其所代表的值，我们在来一个函数

z = y' * log(y)

• 1

其中z代表了 交叉熵，粗暴的理解，z就是代表了我们我们的预测值y，和实际值y'之间的差距，可想而知，我们希望z越小越好。

接下来TensorFlow就该出场了，

 tf.train.GradientDescentOptimizer(0.01).minimize(z)

• 1

TensorFlow提供了一套牛逼反向传播算法，具体我也不清楚，反正很快，很准；可以每次让z小一点，然后记录a，b的值。通过多个数据的训练，让y=ax+b越来越准。

至于到底准不准，TensorFlow也提供了方法去检测。我不涉及啥理解的，我就不说了。

以上就是我对MNIST的一个原理的理解了。