知识卡片
首个 DFN 的数据准备
构建 DFN 的流程是读数据、预处理、划分、建图、训练、测试。本章选 Fashion-MNIST 而非原始 MNIST:两者都是 28×28 灰度图、6 万训练加 1 万测试,但前者含十类服饰、图像更复杂。数据由 keras.datasets 下载后,像素从 0–255 归一化到 0–1;二维图像展平为 784 维向量以适配 DFN 输入。训练集切 10% 作验证集,并在切分前打乱以防类别偏置。模型参数随之确定:10 类、784 输入单元、隐藏层 256 与 128 单元、学习率 0.001、批大小 64;标签用单热编码转成仅含 0/1 的向量。后续见 [[建模、训练与 Keras 简化]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度前馈网络 首个 DFN 的数据准备 · 查看原书依据
图像中像素的值范围为 0 到 255。始终建议在计算上将输入值保持在0至1之间。 因此,我们将通过将数据除以最大可能值 255 来归一化我们的数据
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第02章《深度前馈网络》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/05.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文给出构建流程、Fashion-MNIST 的规模与复杂度、归一化与展平操作、划分比例及全部模型参数与单热编码理由,支撑这些数据准备步骤。
- 原始内容:图像中像素的值范围为 0 到 255。始终建议在计算上将输入值保持在0至1之间。 因此,我们将通过将数据除以最大可能值 255 来归一化我们的数据