一起学AI系列博客：目录索引

hw3_3：用NN网络拟合MNIST手写数字分类

• 体会神经网络设计和TF框架编程

• 对比hw3_1两者的模型、效果差异

实现过程

---

有了上篇博客：清华青年AI自强作业hw3_1的铺垫，本次任务只需在其基础上进行模型修改即可。

具体思路

1. 分类模式修改
2. 由二分类改为多分类模型（十分类）
3. 网络模型修改

多分类网络模型

1. 核心思路
   1. 用1个多分类模型处理0-9的分类
   2. 将网络叠加几层，加深加大
2. MNIST数据预处理(load)
3. 模型训练过程(train)
   1. 模型搭建
      1. 模型为深度神经网络
      2. 选取相应激活函数
4. 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
5. 模型推理过程(predict)
   1. 在测试集上验证预测精度
6. 关键点
   1. 涉及到多分类数据标签的one-hot编码理解和手动处理

神经网络模型说明

• 网络结构
  • input_layer:784，输入层，784个神经元用于接收一张图（28*28）展开的像素
  • hidden1_layer:16，隐藏层，16个神经元初步提取基础特征
  • hidden2_layer:16，隐藏层，16个神经元提取边缘几何特征
  • output_layer:10，输出层，10个神经元综合特征输出结果
• 激活函数
  • 中间隐藏层用relu
  • 最后输出层用softmax

训练结果分析

用60000张图片训练得到的模型，再用10000张测试图片来评估，该模型测试集上预测正确率达：92.87%，远超之前的逻辑回归模型结果：18.97%，由此初窥深度神经网络的魔力。

• 相应实现源码见代码仓：https://github.com/ioMayday/Tsinghua_Youth_AI/tree/master/homework
• 相关keras使用指导：https://keras.io/zh/getting-started/sequential-model-guide/

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hw2：线性回归预测，link
3. 清华青年AI自强作业hw3_1：用线性回归模型拟合MNIST手写数字分类，link
4. 清华青年AI自强作业hw3_2：前向传播和反向传播实战，link