MNIST 数据集中用于图像分类的关键特征是什么
What is the key feature in MNIST Dataset that is used to classify images
我最近在学习神经网络并遇到了 MNIST 数据集。我知道使用 sigmoid 成本函数来减少损失。此外，权重和偏差得到调整，并在训练后找到最佳权重和偏差。我不明白的是，图像是根据什么分类的。例如，要对患者是否患有癌症进行分类，年龄、位置等数据将成为特征。在 MNIST 数据集中，我没有找到任何一个。我在这里错过了什么吗？请帮我解决这个问题
首先，网络管道由 3 个主要部分组成：
- 输入操作：
- 影响最小值查找的参数：
- 在你的解释中你的决策函数之类的参数
层（通常是全连接层）
与您必须手动提取特征的常规机器学习管道相比，CNN 使用过滤器。 （像边缘检测或 viola and jones 中的过滤器）。
如果过滤器运行在图像上并与像素进行卷积，它会产生一个输出。
此输出随后由神经元解释。如果输出高于阈值，则认为它是有效的（如果有效，阶梯函数计数 1，或者在 Sigmoid 的情况下，它在 Sigmoid 函数上有一个值）。
接下来的步骤与之前相同。
这一直进行到解释层（通常是 softmax）。该层解释您的计算（如果过滤器很好地适应您的问题，您将获得一个好的预测标签），这意味着您在 (y_guess - y_true_label).
之间的差异很小
现在你可以看到，对于 y 的猜测，我们已经将输入 x 与许多权重 w 相乘，并且还在其上使用了函数。这可以看作是分析中的链式法则。
为了获得更好的结果，必须知道单个权重对输入的影响。因此，您使用反向传播，它是关于所有 w 的误差的导数。诀窍是您可以重用或多或少是反向传播的导数，并且由于可以使用矩阵向量表示法，因此变得更容易。
如果您有梯度，则可以在沿着最陡峭的下降方向行走时使用最小化的正常概念。 （还有许多其他梯度方法，如 adagrad 或 adam 等）。
将重复这些步骤，直到收敛或达到最大轮数。
所以答案是：计算出的权重（过滤器）是检测数字和数字的关键:)
我最近在学习神经网络并遇到了 MNIST 数据集。我知道使用 sigmoid 成本函数来减少损失。此外，权重和偏差得到调整，并在训练后找到最佳权重和偏差。我不明白的是，图像是根据什么分类的。例如，要对患者是否患有癌症进行分类，年龄、位置等数据将成为特征。在 MNIST 数据集中，我没有找到任何一个。我在这里错过了什么吗？请帮我解决这个问题
首先，网络管道由 3 个主要部分组成：
- 输入操作：
- 影响最小值查找的参数：
- 在你的解释中你的决策函数之类的参数 层（通常是全连接层）
与您必须手动提取特征的常规机器学习管道相比，CNN 使用过滤器。 （像边缘检测或 viola and jones 中的过滤器）。
如果过滤器运行在图像上并与像素进行卷积，它会产生一个输出。
此输出随后由神经元解释。如果输出高于阈值，则认为它是有效的（如果有效，阶梯函数计数 1，或者在 Sigmoid 的情况下，它在 Sigmoid 函数上有一个值）。
接下来的步骤与之前相同。
这一直进行到解释层（通常是 softmax）。该层解释您的计算（如果过滤器很好地适应您的问题，您将获得一个好的预测标签），这意味着您在 (y_guess - y_true_label).
之间的差异很小现在你可以看到，对于 y 的猜测，我们已经将输入 x 与许多权重 w 相乘，并且还在其上使用了函数。这可以看作是分析中的链式法则。
为了获得更好的结果，必须知道单个权重对输入的影响。因此，您使用反向传播，它是关于所有 w 的误差的导数。诀窍是您可以重用或多或少是反向传播的导数，并且由于可以使用矩阵向量表示法，因此变得更容易。
如果您有梯度，则可以在沿着最陡峭的下降方向行走时使用最小化的正常概念。 （还有许多其他梯度方法，如 adagrad 或 adam 等）。
将重复这些步骤，直到收敛或达到最大轮数。
所以答案是：计算出的权重（过滤器）是检测数字和数字的关键:)