简 介： 在上面测试过程中总是时不常碰到版本不兼容的问题。这还是都是在AI STudio环境测试的结果。不知为什么，现在手头的版本还是没有能够反映出最终的软件的版本的情况下。
： AI，MNIST
Contents
§01 横纵教学法
??这是 零基础实践深度学习 中【2.2】MNIST实验内容。
??核心的内容来自于： 百度架构师手把手带你零基础入门深度学习 。
??手写数字识别是深度学习中相对简单的模型，非常适用初学者。正如学习编程时，我们输入的第一个程序是打印“Hello World！”一样。 在飞桨的入门教程中，我们选取了手写数字识别模型作为启蒙教材，以便更好的帮助读者快速掌握飞桨平台的使用。
二、MNIST数据集合
??MNIST数据集是从NIST的Special Database 3（SD-3）和Special Database 1（SD-1）构建而来。Yann LeCun等人从SD-1和SD-3中各取一半作为MNIST训练集和测试集，其中训练集来自250位不同的标注员，且训练集和测试集的标注员完全不同。
(2) 构建NN特点
-
从代码结构上看，模型均为数据处理、定义网络结构和训练过程三个部分。
-
从代码细节来看，两个模型也很相似。
??这就是使用飞桨框架搭建深度学习模型的优势，只要完成一个模型的案例学习，其它任务即可触类旁通。在工业实践中，程序员用飞桨框架搭建模型，无需每次都另起炉灶，多数情况是先在飞桨模型库中寻找与目标任务类似的模型，再在该模型的基础上修改少量代码即可完成新的任务。
??在“横纵式”教学法中，纵向概要介绍模型的基本代码结构和极简实现方案。横向深入探讨构建模型的每个环节中，更优但相对复杂的实现方案。例如在模型设计环节，除了在极简版本使用的单层神经网络（与房价预测模型一样）外，还可以尝试更复杂的网络结构，如多层神经网络、加入非线性的激活函数，甚至专门针对视觉任务优化的卷积神经网络。
??这种“横纵式”教学法的设计思路尤其适用于深度学习的初学者，具有如下两点优势：
- 帮助读者轻松掌握深度学习内容：采用这种方式设计教学案例，读者在学习过程中接收到的信息是线性增长的，在难度上不会有阶跃式的提高。
- 模拟真实建模的实战体验：先使用熟悉的模型构建一个可用但不够出色的基础版本（Baseline），再逐渐分析每个建模环节可优化的点，一点点的提升优化效果，让读者获得到真实建模的实战体验。
??相信在本章结束时，大家会对深入实践深度学习建模有一个更全面的认识，接下来我们将逐步学习建模的方法。
§02 极简方案
一、建立MNIST工程
??在AI Studio下简历MNIST Notebook工程。在建立过程中增加MNIST数据集合。
1、添加MNIST数据集合
二、测试条件
??根据 百度架构师手把手带你零基础入门深度学习 中测试，测试paddlepaddle环境中软件包是否符合要求。
1、测试数据包
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/setuptools/depends.py:2: DeprecationWarning: the imp module is deprecated in favour of importlib; see the module's documentation for alternative uses import impTraceback (most recent call last): File "testmnist.py", line 7, in module> from paddle来源：卓晴
声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！