利用神经网络识别手写数字笔记

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_18149897/article/details/79002299

最近尝试使用文章中的方法识别手写数字，文章来源
第一章：利用神经网络识别手写数字
使用Anaconda3下载地址（Anaconda3）
使用包管理工具中创建TensorFlow的环境并将自带的IDE spyder用Git汉化—仔细阅读说明后实现。
1.使用anaconda3创建TensorFlow环境—-大神链接

以下数据集及源码均使用python2.6/2.7编写，如果不想自己改代码，就集成python2.7的开发环境

2.打开spyder使用python management管理包路径

3.下载测试数据、训练数据及源码
4.打开解压并更改src目录下的mnist_loader.py的数据集路径（更改为本地）

5.码代码尝试效果

#导入训练集
import mnist_loader
training_data, validation_data, test_data = mnist_loader.load_data_wrapper()



#创建神经网络结构 784个输入神经元  30个隐藏神经元 10个输出神经元
import network
net = network.Network([784, 30, 10])
net.SGD(training_data, 30, 10, 3.0, test_data=test_data)

效果：

此时，我们尝试更改隐藏层神经元的个数：

#导入训练集
import mnist_loader
training_data, validation_data, test_data = mnist_loader.load_data_wrapper()



#创建神经网络结构 784个输入神经元  100个隐藏神经元 10个输出神经元
import network
net = network.Network([784, 100, 10])
net.SGD(training_data, 30, 10, 3.0, test_data=test_data)

效果：

我们可以观察到通过更改隐藏层神经元的个数，识别效果会变得更有效，更改后最终可以识别9666张数字图片（在10000张图片中），同时，sigmod函数也成功代替了0/1输出（通过定义小数区间）并将结果更均匀的分散开来，最后的结果线性平滑，最后通过调整“超参数”使结果可调性变得更明显，可以让人工干预的更有效。