"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：
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！