"如果一個算法在MNIST上不work,那麼它就根本沒法用;而如果它在MNIST上work,它在其他資料上也可能不work"。
—— 馬克吐溫
上一篇文章我們實作了一個MNIST手寫數字識别的程式,通過一個簡單的兩層神經網絡,就輕松獲得了98%的識别成功率。這個成功率不代表你的網絡是有效的,因為MNIST實在是太簡單了,我們需要更複雜的資料集來檢驗網絡的有效性!這就有了Fashion-MNIST資料集,它采用10種服裝的圖檔來取代數字0~9,除此之外,其圖檔大小、數量均和MNIST一緻。
上篇文章的代碼幾乎不用改動,隻要改個擷取原始圖檔檔案的檔案夾名稱即可。
程式運作結果識别成功率大約為82%左右。
我們可以對網絡進行調整,看能否提高識别率,具體可用的方法:
1、增加網絡層
2、增加神經元個數
3、改用其它激活函數
試驗結果表明,不管如何調整,識别率始終上不去多少。可見該網絡方案已經碰到了瓶頸,如果要大幅度提高識别率必須要采取新的方案了。
下篇文章我們将介紹卷積神經網絡(CNN)的應用,通過CNN來處理圖像資料将是一個更好、更科學的解決方案。
由于本文代碼和上一篇文章的代碼高度一緻,這裡就不再詳細說明了。全部代碼如下:
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIiZpdmLrN2bsJEZlR3YhJHdu92Qvw1cy9GdhNWak5WSn5WaulGb0V3TvwVbvNmLzd2bsJmbj5ycldWYtl2Lc9CX6MHc0RHaiojIsJye.gif)
View Code
【相關資源】
源碼:Git: https://gitee.com/seabluescn/tf_not.git
項目名稱:NN_MultipleClassification_Fashion_MNIST
目錄:檢視TensorFlow.NET機器學習入門系列目錄
簽名區:
如果您覺得這篇部落格對您有幫助或啟發,請點選右側【推薦】支援,謝謝!