知识卡片
DBN 图像分类实战
把 DBN 用于图像分类的流程如下。数据集是 sklearn 的 digits:1797 张分属 10 类的手写数字图,每张 8×8、像素值 0–16,先除以 16 缩放到 0–1,再按 80⁄20 切分训练与测试集。构建 DBN 时 layer_sizes 取 [64, 256, 512]、小批量 10、学习率 0.05、20 周期、k=2;逐层训练后用 predict 生成训练集与测试集最后隐藏层的 512 维输出向量。这些向量是 DBN 学到的特征,直接喂给逻辑回归(C=10000)完成十分类,最终准确率 97.8%,印证了 [[深度信念网络的堆叠与逐层训练]] 的逐层抽象思路。
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
- 受限玻尔兹曼机和自编码器 深度信念网络与图像分类 · 查看原书依据
我们将使用的数据集由1797 10 类手写数字图像组成。 每个图像的尺寸为8 x 8,每个像素值的范围为 0 到 16。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第03章《受限玻尔兹曼机和自编码器》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/06.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文给出 digits 数据集的规模、图像尺寸与像素范围,并说明缩放与划分,支撑图像分类实战的数据准备环节。
- 原始内容:我们将使用的数据集由1797 10 类手写数字图像组成。 每个图像的尺寸为8 x 8,每个像素值的范围为 0 到 16。