2.1.3 解析Fashion MNIST的模型架構

現在讓我們看看如何將這些像素值與之前看到的計算機視覺架構一起使用。

你可以在圖2-11中看到這個的表示。請注意，Fashion MNIST中有10個時尚類，因此我們需要一個包含10個神經元的輸出層。請注意，為了更容易適應頁面，我旋轉了架構，使10個神經元的輸出層位于底部，而不是右側。

上面神經元的數量，當前設置為20以適應頁面，可能會隨著你編寫代碼而改變。但我們的想法是把圖像的像素輸入這些神經元。

圖2-11：一種識別時尚圖像的神經網絡架構

假設我們的圖像是矩形的，大小為28×28像素，我們需要用與表示一層中的神經元相同的方式來表示它，即一維數組，所以我們可以遵循一個稱為“展平”圖像的過程，使其變成784×1陣列，而不是28×28。然后，它具有與輸入神經元相似的“形狀”，因此我們可以開始輸入。具體情況如圖2-12所示。請注意，由于圖2-10中的踝靴圖像是Fashion MNIST中的第“9”類，因此我們將訓練它，說它是應該在獨熱編碼中點亮的神經元。我們從0開始計數，因此第9類的神經元是圖2-12中的第10個，即最右邊的一個。將術語“密集”賦予此層類型的原因現在應該在視覺上更加明顯！

圖2-12：使用Fashion MNIST訓練神經網絡

鑒于訓練集中有60000張圖像，我們在第1章中提到的訓練循環會發生。首先，網絡中的每個神經元都將被隨機初始化。然后，對于60000張標記圖像中的每一張，都會進行分類。這種分類的準確性和損失將幫助優化器調整神經元的值，我們會再試一次，以此類推。隨著時間的推移，神經元的內部權重和偏差將被調整以匹配訓練數據。現在讓我們在代碼中探索一下。