"如果一个算法在MNIST上不work，那么它就根本没法用；而如果它在MNIST上work，它在其他数据上也可能不work"。
—— 马克吐温
上一篇文章我们实现了一个MNIST手写数字识别的程序，通过一个简单的两层神经网络，就轻松获得了98%的识别成功率。这个成功率不代表你的网络是有效的，因为MNIST实在是太简单了，我们需要更复杂的数据集来检验网络的有效性！这就有了Fashion-MNIST数据集，它采用10种服装的图片来取代数字0~9，除此之外，其图片大小、数量均和MNIST一致。
上篇文章的代码几乎不用改动，只要改个获取原始图片文件的文件夹名称即可。
程序运行结果识别成功率大约为82%左右。
我们可以对网络进行调整，看能否提高识别率，具体可用的方法：
1、增加网络层
2、增加神经元个数
3、改用其它激活函数
试验结果表明，不管如何调整，识别率始终上不去多少。可见该网络方案已经碰到了瓶颈，如果要大幅度提高识别率必须要采取新的方案了。
下篇文章我们将介绍卷积神经网络（CNN）的应用，通过CNN来处理图像数据将是一个更好、更科学的解决方案。
由于本文代码和上一篇文章的代码高度一致，这里就不再详细说明了。全部代码如下：
View Code
【相关资源】
源码：Git: https://gitee.com/seabluescn/tf_not.git
项目名称：NN_MultipleClassification_Fashion_MNIST
目录：查看TensorFlow.NET机器学习入门系列目录
签名区：
如果您觉得这篇博客对您有帮助或启发，请点击右侧【推荐】支持，谢谢！