假设MNIST数据集具有另一个特征，例如数字是由右撇子人还是左撇子人写的。如何使用这些信息？我想使用tensorflow。
编辑： 如果我的问题含糊不清，我很抱歉。我已经吸取了教训，并会提出更好的问题。
答案 0 :(得分：1)
您正在尝试添加标签的另一个维度，而不是功能。您需要编辑每个输入文件以包含这些单独的类（0-L到9-L，0-R到9-R），然后扩展拓扑以处理增加的区分。
缩放模型需要一些实验。我建议你从每个隐藏层中20％到100％的节点开始;进行一系列实验以找到最佳拓扑结构。
OP评论后更新
Zeroes也左右倾斜，但它往往更加微妙。然而。主要原因是你做出了更详细的决策，所以你可能需要更多的中间因素。这些是隐藏的节点。
尝试20个类的原始拓扑;看看它有多好，从那里开始。 我认为你需要更多的节点，但最终的权威是你训练有素的模型。
建筑模型仍然是something of an art，尽管我们每年都在学习更多。如果问题与已知解决方案（即您的解决方案）的问题非常相似，我们通常可以通过更改当前模型的“宽度”来获得良好的解决方案，以弥补问题的差异。
在您的情况下，区分两倍的类表示隐藏节点数量的简单增加。然而，无论这种增加是将节点加倍，增加少量，还是仅仅将最后一层从10级更改为20级，对深度学习研究员来说是一种练习 - 那就是你。 ： - ）
另一个更新
我知道 - 是输入，而不是分类。我的错误，不是你的。
是的，您可以这样做......但您需要更改输入格式以适应添加的信息。这意味着向每个输入文件添加一个位以表示手，并在摄取方法中反映该额外位。我希望模型能够适应当前的拓扑结构。