实验三 深度神经网络DNN

• 实验学时： 2学时
• 实验目的

1. 掌握深度神经网络DNN的基本结构；
2. 掌握数据预处理、模型构建、训练与调参；
3. 探索DNN在MNIST数据集中的性能表现；

• 实验内容

实现深度神经网络DNN。

• 主要实验步骤及结果

（一）实验步骤 数据准备与预处理，代码如图4-1所示： 图4-1 数据准备与预处理代码截图 构建DNN模型，代码如图4-2所示： 图4-2 构建DNN模型代码截图 训练模型，代码如图4-3所示： 图4-3 训练模型代码截图 评估模型性能，代码如图4-4所示： 图4-4 评估模型性能代码截图 模型预测示例，代码如图4-5所示： 图4-5 模型预测代码截图 （二）结果与分析 1.模型结构摘要如图4-6所示： 图4-6 模型结构摘要截图 2.训练过程截图如图4-7所示： 图4-7 训练过程截图 训练准确率最终达到约99% 验证准确率最终达到约98% 测试集准确率约为98.08% 3.学习曲线截图如图4-8所示： 图4-8 学习曲线截图 损失曲线和准确率曲线显示模型收敛良好 没有明显的过拟合现象（得益于Dropout层的使用） 4.预测示例截图如图4-9所示： 图4-9 预测示例截图 随机选取的5个测试样本全部预测正确 模型能够准确识别各种书写风格的数字 DNN的作用 1. DNN的核心定义 （1）在本次实验中，DNN表现为多层全连接神经网络，其核心特征包括： （2）深度架构：代码中通过Sequential堆叠了4个Dense层（3隐藏层+1输出层） （3）非线性变换：每层使用ReLU激活函数（输出层用Softmax） （4）层级连接：前一层的输出作为下一层的输入（通过input_shape=(28*28,)自动推断） 2. DNN在代码中的核心作用 (1) 特征自动提取器 输入处理：将原始像素（28×28=784维）通过reshape展平为一维向量 层级特征学习： 第1层（512神经元）：学习局部笔画特征（如线条方向） 第2层（256神经元）：组合成数字部件（如弧线、交叉点） 第3层（128神经元）：整合为完整数字表征 (2) 分类决策器 输出层设计：通过10个神经元的Softmax输出概率分布 损失函数：使用交叉熵损失衡量预测概率与真实标签差距 (3) 正则化与泛化 Dropout机制：训练时随机丢弃20%神经元防止过拟合 验证监控：通过validation_split=0.2实时评估泛化能力 3.代码中关键组件与DNN原理对应 代码实现 DNN理论对应 实验中的作用 Dense(512, activation='relu') 隐藏层加权求和+非线性激活 增加模型容量，学习高阶特征 Dropout(0.2) 随机失活正则化 防止神经元过度依赖特定特征，提升泛化能力 batch_size=128 小批量梯度下降 平衡训练速度和梯度稳定性 optimizer='adam' 自适应动量优化算法 自动调整学习率，加速收敛 metrics=['accuracy'] 分类评估指标 直观显示模型性能 4. DNN在MNIST任务中的特殊价值 图像展平的适应性：虽然DNN会丢失空间信息，但MNIST数字的简单性使其仍能高效工作 与CNN的对比：实验代码中通过全连接层实现"全局感知"，不同于CNN的局部感受野 计算效率权衡：相比CNN，DNN参数量更大（本实验56万参数），但MNIST数据量小仍可快速训练