标签：03 10 28 batch 初识 b1 loss MNIST size
目录
二、不用Deep Learning 用简单的函数映射怎么训练？
1. plot_image(x, y, 'image sample')
一、什么是MNIST数据集
MNIST数据集已经是一个极其经典的数据集了，先放上下载链接MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges
图片是以字节的形式进行存储，我需要将其读取到Numpy array中，以便训练与计算。
数据集大概有 60,000 个训练样本和 10,000 个测试样本。
例举数据集一张图片来说 [0 - 1 , 28 ,28 ] ，存储数据的形式如矩阵所示，第1维度为0-1之间表示灰度，第2维度与第3维度表示28*28格。
二、不用Deep Learning 用简单的函数映射怎么训练？
1. 简单函数叠加拟合复杂函数
我们知道28*28矩阵的具体参数有784个，那么我们将其打平为X = [1,784]向量进行计算，简写为X = [1,dx] ， 接下来将其投入激活函数中进行计算 H1 = XW1 + b1 ，不停拟合（三层）。 这样可能还比较难理解，我们实际代数据进入计算。
首先打平[28*28] 矩阵为X= [1,784], 继续W1=[784,256], b1=[256]
第一层 矩阵H1 = XW1 + b1 得 H1 = [1,256]
第二层 矩阵H2 = H1W2 + b2 ，W2为[256 , 64] ，b2 = [64] ,得 H2 = [1,64]
第三层 矩阵H3 = H2W3 + b3 ，W3为[64,10], b3 = [10],得H3 = [1,10]
得出10个分类。
2. Loss函数的设定
Euclidean Distance: H3 vs Y H3也可以写为预测函数 pred = W3 * {W2[W1X + b1] +b2} +b3 (线性组合) 对于非线性组合还是使用relu函数进行激活拟合 H1 = relu (XW1 + b1) H2 = relu (H1W2 + b2) H3 = relu (H2W3 + 3)标签：03,10,28,batch,初识,b1,loss,MNIST,size 来源： https://blog.csdn.net/miss_the_boat/article/details/120580338
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。