MNIST数据集深度学习实践汇总

Why MNIST

MNIST数据集对深度学习初学者来说应该是最友好的数据集了：

1. 拿来即用，你只需要专注于模型搭建就好（数据处理真的很费时间）；
2. 数据集不大，很适合普通玩家，一般的PC都能跑的动，能快速的反馈结果；

近几个月通过MNIST尝试了一些算法模型，包括：

• SoftMax回归
• 卷积神经网络（CNN）
• 循环神经网络（RNN）
• 基于PyTorch的CNN&RNN
• 生成对抗网络（GAN&CGAN）

代码都已上传到我的GitHub，后续也会继续更新，欢迎star⭐️⭐️⭐️

---

SoftMax回归🏎

严格来说，softmax回归应该不算深度学习，不过这是我用Tensorflow搭建的第一个模型，所以如果你之前没接触过Tensorflow，我觉得softmax作为入门的第一个项目是一个不错的选择。

• 代码：softmax
• 训练时长：1分钟
• 测试集准确率：92%左右

---

CNN&RNN🚗

CNN是基于LeNet来搭建的，conv1->pool->conv2->pool2后接全连接，RNN是一个双GRU隐层的网络结构，当然你也可以选择使用LSTM，只需要修改74行代码，改成tf.nn.rnn_cell.LSTMCell即可。

• 代码：CNN or RNN
• 训练时长：1-2小时
• 测试集准确率：99.2%左右

---

基于PyTorch的CNN&RNN🚕

执行效率没有去仔细比较，不过直观来说，差别不大。个人而言，我觉着PyTorch的代码更简洁易读，至于准确率都差不多，毕竟网络结构一样。

• 代码：基于PyTorch的CNN&RNN
• 训练时长：1-2小时
• 测试集准确率：99.2%左右

---

生成对抗网络（GAN）🚜

以上的模型目的都是去完成MNIST手写字分类，GAN网络可能刚好相反，它是根据一堆随机数组生成手写字图片。

• 代码：GAN
• 训练时长：30W次迭代，1小时
• 实现效果：
  

---

• 其实还尝试了一些其他的结构，包括AlexNet/ResNet等，不过好多被我改来改去，覆盖掉了😂😂😂，后续整理了再更新。
• 各位如果觉得有帮助的，麻烦点个喜欢，GitHub也欢迎Star🌟