机器学习随笔--通过MNIST了解机器学习

本文的主要目的是通过MNIST这个入门级的小项目来了解机器学习的大致工作过程,心中有一个框架就可以了,至于一些细节和理论的东西将会在后面进一步讨论。就好比你在进行绘画创作的时候先勾勒轮廓后添加细节一样。另外先跑出几个小程序也会对机器学习产生更多的兴趣,不至于在漫漫的数学海洋中漂啊漂啊,然后淹死了。

首先简单介绍一下MNIST(Mixed National Institute of Standards and Technology database),其起源于NIST(美国国家标准与技术研究所)收集修改后的两个手写体数据集,包含60000条训练数据集和10000条测试数据,由于其数据整理规范,标定准确被很多教材用于教学,所以大家都习惯将手写体识别直接称呼为MNIST。MNIST的数据很好找,大家可以下载http://yann.lecun.com/exdb/mnist/这个链接里的数据,这是卷积神经网络之父,机器学习界的大神严恩·乐纯(我喜欢翻译成闫立春,听起来亲切啊)提供的数据,里面的数字图片已经被处理成长度为784(数字图片之前被保存为28*28的大小,如下图)的向量了。

我是用的Tensorflow搭建的神经网络,感觉不错,初学的时候不到半天就吭哧吭哧的搭完了,这里插一篇Tensorflow的入门文章,如果大家没有接触过Tensorflow的话可以看看。

   

接下来利用MNIST来阐述一下我对机器学习的理解,就拿最简单的神经网络来说,其组成有输入节点,输出节点和隐藏层。输入节点和输出节点顾名思义,隐藏节点就是夹在输入层与输出层之间的神经层。


上图是最基本的一种神经元结构,叫做感知器,信息从左边输入经过处理从右边输出,当然单个神经元由于过于简单,无法处理复杂的数据,说以我们要搭建更加复杂的神经网络。


上吐就是一个有六个输入神经元,两层隐藏层以及一个输出的神经网络,在搭建神经网络的过程中,输入神经元个数由需要处理的数据大小决定,例如在处理手写体数据时输入神经元个数就是784,隐藏层数量不限,但理论上来讲隐藏层数量越多,机器学习的效果越好,相应的训练时间也会越长。输出层的个数则与训练数据的目的有关,例如本文中进行手写体识别,共有0到9十个数字,因此输出层神经元个数就为10。而机器学习的过程就是训练神经元之间的参数,使得输出层的输出结果越来越接近真实结果。


在搭建好神经网络之后就可以利用准备好的训练数据对神经网络进行训练了。机器学习虽然叫机器学习,但是机器其实并不了解自己学到的是什么,上图神经网络的作用也只是把数字图片的像素点作为输入,然后去尽量拟合一个复杂的函数使其输出结果接近真实结果而已。所以目前的机器学习不是学习,人工智能也不是智能。

本篇文章先大概的举了一个机器学习的例子,让大家有个概念,在接下来的文章中将会对损失函数,激活函数,梯度下降等相关的知识进行介绍。祝大家生活愉快啦。我爱大头,啦啦啦。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,271评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,275评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,151评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,550评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,553评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,559评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,924评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,580评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,826评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,578评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,661评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,363评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,940评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,926评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,156评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,872评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,391评论 2 342

推荐阅读更多精彩内容