我查看了MNIST 示例，并注意到当图像的数组被展平为 728 数组时，如果该数组是随机的，这有关系吗？我的意思是 NN 是否考虑了数据的邻接性，或者是否有一个输入节点放置输入编号（因此有 728 个节点）。
我要问的是，如果我像示例中那样使用展平的图像进行训练，我是否会得到相同的网络，就像我随机化 728 数据数组一样？
user1760543
问问题
354 次
2 回答
6
取决于您正在查看的 mnist 示例。convolutional.py 在图像上运行一个 5x5 的空间卷积窗口，它确实考虑了空间相关性。
使用简单权重矩阵的 MNIST 初学者示例：
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
才不是。只要您以相同的方式排列所有输入，您就可以排列点中的条目顺序而不更改任何内容。
（卷积方法在大多数图像识别应用中获胜是有原因的——空间局部性很有用。:)
于 2015-11-14T18:38:13.550 回答
1
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，这些概念将用于许多更难的模型。他们并没有尝试做任何困难的事情（事实上，准确度并不高于通过开箱即用的 SVM 实现的准确度）。如果您仔细阅读教程，他们会说：
我们如何展平阵列并不重要，只要我们在图像之间保持一致即可。
和
展平数据会丢弃有关图像 2D 结构的信息。那不是很糟糕吗？好吧，最好的计算机视觉方法确实利用了这种结构，我们将在后面的教程中介绍。但是我们将在这里使用的简单方法，softmax 回归，不会。
您关于网络的问题：网络的拓扑结构相同，权重/偏差会不同。
卷积神经网络的一个例子也考虑了数据的邻接性
于 2015-11-14T23:04:34.720 回答