MNIST数据集中用于对图像进行分类的关键特性是什么

Question

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，调整重量和偏差，并在训练后找到最佳的重量和偏差。我不明白的是，在什么基础上对图像进行分类。例如，为了分类患者是否患有癌症，诸如年龄，位置等的数据成为特征。在MNIST数据集中，我没有发现任何这些。我在这里错过了一些东西。请帮帮我这个

Answer 1

首先，网络管道由3个主要部分组成：

• 输入操作：
• 影响最小值发现的参数：
• 您的解释中的descission函数等参数 层（通常是完全连接的层）

与您必须手动提取功能的常规机器学习管道相比，CNN使用过滤器。 （像边缘检测或中提琴和琼斯中的过滤器）。

如果过滤器在图像上运行并与像素进行卷积，则会生成输出。

然后由神经元解释此输出。如果输出高于阈值，则认为它是有效的（步骤函数计数1如果有效，或者在Sigmoid的情况下它具有sigmoid函数的值）。

接下来的步骤和以前一样。

这一直到解释层（通常是softmax）。这一层解释了你的计算（如果过滤器很好地适应了你的问题，你将得到一个好的预测标签），这意味着你之间的差异很小（y_guess - y_true_label）。

现在你可以看到，对于y的猜测，我们将输入x与许多权重w相乘，并且还使用了函数。这可以看作分析中的链式规则。

为了获得更好的效果，必须知道单个重量对输入的影响。因此，您使用Backpropagation，它是关于所有w的Error的衍生物。特技是你可以重复使用或多或少反向传播的衍生物，因为你可以使用矩阵矢量符号，它变得更容易。

如果你有渐变，你可以使用最小化的正常概念，你可以沿着最陡的下降行走。 （还有许多其他渐变方法，如adagrad或adam等）。

步骤将重复直到收敛或直到达到最大纪元。

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：）