关于kaggle中的mnist数据集（一）

前言

本人从今年开始自学机器学习（ml），路途坎坷，任重道远。。不多说了，下面是我学习路程，，，

学习

从某视频网站学习平台上面下载了一套人工智能教学视频，开始看python，应为之前有java基础，所以python上手还是很快的（这里我知识看懂python而已，并不能够深入的理解），学了大概一两周吧，然后就开始入手机器学习。

大概花了一个多月的时间吧，看视频撸代码，对于我这个本科生来说，刚开始遇到一些数学知识还是有点云里雾里的（少壮不努力），但还好的是，我并没有被这些繁琐的数学磨灭了积极性，还是看到了最后，这里需要强调（看视频一定要敲代码看视频一点要敲代码看视频一定要敲代码）当然这些还不能够囊括机器学习的所有，这些只是一部分基本知识，学习还是需要自己再网上找数据进行自己的训练。

实践

使用DNN

首先kaggle平台是个很好的获取数据的一个地方，这里高手云集，我首先是把最简单的最经典的mnist数据集进行自己的训练。因为是自学python，并且我自己看视频的时候没有边敲代码，所以自己对也是自能仿照别人的训练方式去进行自己的改造（python用的不熟，机器学习的代码不熟）。
首先是使用了DNN进行训练，用了两层影藏层，第一层784个节点，第二层100个节点，piapiapia，跑了200轮数据，然后自己的test集是0.98左右，但是看到kaggle上面前面几十个score是1的，，，，，o my god,他们是把28000张图片一张一张看着写结果的吧，自愧不如啊。

使用CNN

其实对于图片的识别最好的是使用CNN，应为每个像素点之间是有联系的，而CNN就是对图片进行特征化，之后我去网上找了一下使用CNN训练数据集的几篇博客，然后这里附上我刚刚训练的一个结果。
这变参考的是https://www.kaggle.com/yutaoc/cnn-on-mnist/log，kaggle上面的一个人发的文，然后进行训练，我这里训练了200次，最后效果是0.989,有点过拟合了，只要训练35次左右，就可以达到。0.99的score了，接下来我要做的工作是，理解各个卷基层，以及池化层都各自做了什么，然后进行参数的微调。

然后一直想写个博客，记录一下自己走过的路，就从今天开始吧，行动起来才是最重要的

现在还没有使用github，所以，就这样咯。