Question

我查看了MNIST example并注意到当图像的数组被展平为728数组时，该数组是否随机化是否重要？我的意思是NN是否考虑了数据的邻接，或者是否有一个输入节点输入了输入数（因此有728个节点）。

我要问的是，如果我按照示例中的图像进行训练，我是否会获得相同的网络，就像我随机化728数据阵列一样？

Answer 1

取决于您正在查看的mnist示例。 convolutional.py在图像上运行一个5x5空间卷积窗口，它考虑了空间相关性。

使用简单权重矩阵的初学者示例：

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

没有。您可以置换点中条目的顺序而不会更改任何内容，只要您以相同的方式置换所有输入。

（对于大多数图像识别应用程序来说卷积方法正在获胜的原因 - 空间局部性非常有用。）

Answer 2

您正在查看非常基本的教程，其重点是让您熟悉TF和一些重要的ML概念，这些概念将在许多较难的模型中使用。他们并没有努力做任何事情（事实上，准确性并不高于开箱即用的SVM）。如果你仔细阅读教程，他们会说：

只要我们这样做，我们如何压扁阵列并不重要图像之间保持一致。

和

展平数据会丢弃有关2D结构的信息图片。那不好吗？那么，最好的计算机视觉方法呢利用这个结构，我们将在以后的教程中使用。但很简单我们将在这里使用的方法，softmax回归，赢了。

关于网络的问题：网络拓扑结构相同，权重/偏差也不同。

同样，convolutional neural network的一个示例将帐户与数据相邻接收