1.多层感知器模型介绍

为了能够识别MNIST手写数字图像,我们将建立多层感知器模型

输入层输入数据:例如数字7的图像是28×28的二维图像,以reshape转换为一维的向量,也就是784个float数,作为784个神经元输入

输入层:784个输入神经元

隐藏层:模拟内部神经元,共有256个隐藏神经元

输出层:10个输出神经元,就是预测的结果,对应我们希望预测的数字

2.多层感知器的训练与预测

建立如下所示的多层感知器模型后,必须先训练模型才能够进行预测这些手写数字

训练: 数据->数据预处理->训练->模型

预测: 数据->数据预处理->模型->预测->输出

训练:MNIST数据集的训练数据共60000项,经过数据预处理会产生Features(数字图像特征值)与label(数字真实值),然后输入多层感知器模型进行训练,训练完成的模型就可以作为下阶段预测使用

预测:输入数字图像,预处理后会产生Feature(数字图像特征值),使用训练完成的多层感知器模型进行预测,最后产生预测结果是0~9的数字

3.建立多层感知器模型的步骤

1.数据预处理

2.建立模型

3.训练模型

4.评估模型准确率

5.进行预测