一起学AI系列博客：目录索引

hw3_1：用线性回归模型拟合MNIST手写数字分类

• 初步体验Tensorflow编程环境
• 体会用回归模型网络拟合效果

实现过程

---

尝试后发现hw3_1/hw3_3的参考代码为TF1.x框架代码，升级到TF2.x框架多为不便（升级踩坑记录），于是采用TF2.x中的keras框架重新写了一遍。

思路分析

1. 先学习参考代码的框架思路
2. 研究MNIST的Keras训练流程
3. 进行改造和适配完成本次任务

逻辑回归二分类模型

1. 核心思路
   1. 用逻辑回归的二分类模型分别训练十个模型，分别处理0-9的分类
2. MNIST数据预处理(load)
   1. 读取MNIST数据，调整处理成网络能接受的batch切分，训练集、测试集划分，标签匹配
3. 模型训练过程(train)
   1. 模型搭建
      1. 模型为WX+B，第一层为输入层(784个神经元)，第二层为输出层(1个神经元)，二分类逻辑回归
      2. 单个类别神经网络层数设置、学习率、梯度下降方法、loss设置
      3. 保存每个batch的model参数，并获取测试集上的最新识别率，此时不开启反向传播更新参数
   2. 模型训练
      1. 前向推理与模型参数更新
      2. 按规律预测测试集的精度
4. 模型推理过程(predict)
   1. 在测试集上验证预测精度
5. 关键点
   1. 涉及到数据标签的one-hot编码理解

训练结果分析

从训练结果来看，用60000张图片训练图片得到的模型，再用10000张测试图片来评估，该模型预测正确率仅：18.97%，可见此模型设计是不合理的，太过简单，不能很好地表征该复杂任务。下一篇博客将对此模型进行改进，加深网络，便会得到很好的效果。

相应实现源码见代码仓：https://github.com/ioMayday/Tsinghua_Youth_AI/tree/master/homework。

参考资料

1. https://github.com/AnkushMalaker/TF2-MNIST

2. MNIST classification with TF2.0 Keras，link

3. TF2.0的安装与MNIST手写识别的实现，link

4. 手把手教程：深度学习入门项目MNIST手写数字分类任务，Pytorch实现

相关链接

---

1. 文科生都能零基础学AI？清华这门免费课程让我信了，link
2. 清华青年AI自强作业2：线性回归预测，link
3. 清华青年AI自强作业hw3_2：前向传播和反向传播实战，link