mnisth手写数据集输出理解

深度学习模型训练和优化以及Tensorflow基础

2. 将输出结果截图，和心得体会整理成一份markdown格式的文档，或输出为pdf格式，并提交。

输出结果：




心得体会：
模型结构的理解：
使用了全连接神经网络，适当运用隐藏层来提高计算量，使得输出结果更为准确，但是这样全连接的神经网络计算量太大，而且速度比较慢，不适合运用到更大的数据集中去训练。

模型训练过程的理解：
损失即为衡量神经网络的输出和ground truth有多大差异的值，损失函数即为计算损失的函数，又称为代价函数，误差函数
梯度即为损失函数对权重的导数，梯度下降即为根据梯度来更新权重，使损失函数变小的方法
更新参数即为训练模型时使用梯度下降更新W，直到满足模型终止要求的过程，训练step即为一次"计算梯度，更新权重"的过程。
梯度函数是损失函数的导函数。

对计算图的理解：
计算图是Tensorflow将算法转换为可视化的计算图标来更直观的表示出来计算流程，让开发者更好更高效的完成任务。然后经过会话Session进行计算输出数据。

这里的模型为什么效果比较差：
全连接神经网络计算数据量较大，速度较慢，
没有用更合适的梯度下降算法
学习率设置应适当训练中改变，是的学习率下降。