# MNIST

**Repository Path**: wittpeng/MNIST

## Basic Information

- **Project Name**: MNIST
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2019-08-26
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MNIST
本项目学自《21个项目玩转深度学习》
#### MNIST数据集
- train-images-idx3-ubyte.gz 训练图像数据（60000张）
- train-lables-idx1-ubyte.gz 训练图像的标签
- t10k-images-idx3-ubyte.gz  测试图像数据（10000张）
- t10k-labels-idx1-ubyte.gz  测试图像的标签

#### 使用说明
- 下载数据并预览
```
python download.py
```
输出：
    (55000, 784)
    (55000, 10)
    (5000, 784)
    (5000, 10)
    (10000, 784)
    (10000, 10)

- 读取MINIST数据集，并保存为图片
```
python image_save_pic.py
```

- 图像标签的独热标签
```
python label.py
```

- TensorFlow（Softmax回归）识别MNIST
Softmax回归：函数主要功能是将不代表概率的打分值化成0～1之间的概率值

假设x是单个样本的特征，W、b是 Softmax 模型的参数。在 MNIST 数据集中，x就代表输入图片，它是一个 784 维的向量，而 W是一个矩阵，它的形状为（784, 10)，b 是一个 10 维的向量，10 代表的是类别数。Softmax 模型的第一步是通过下面的公式计算各个类别的 Logit:

Logit = $w^T$x+ b

Logit 同样是一个 10 维的向量，实际上可以看成样本对应于各个类别的“打分” 。接下来使用 Softmax 函数将包转换成备个类别的概率值：

y = Softmax(Logit)

```
python softmax_regression.py
```

- TensorFlow（两层卷积神经网络）识别MNIST