2019-02-25# 绘制错误的手写体数字，其中A为正确标签
fig = plt.figure()
for i in range(15):
plt.subplot(3,5,i+1) # 绘制前 15 个手写体，以 3 行 5 列子图形式展示
plt.tight_layout() # 自适应子图尺寸
plt.imshow(x_test[incorrect_indices[i]], cmap='Greys')
plt.title("{} A:{}".format(predicted_classes[incorrect_indices[i]],y_test[incorrect_indices[i]])) # 设置对应标签为子图标题
plt.xticks([]) # 删除 x 轴标记
plt.yticks([]) # 删除 y 轴标记
展开 3- 2019-04-04彭老师，您在解释训练过程中第一轮val_acc比acc高的时候出现了一处问题：通过对比数据可以发现，横坐标0实际上对应着第1轮训练完成后的结果（因为横坐标的范围是0到4，同时纵坐标的值也可以佐证），所以横坐标为0时，val_acc和acc不都应该是第一轮训练结果之后的值吗。同时，有个问题想要请教：为什么训练数据也会有准确率（acc）？这个准确率（acc）是怎么算出来的？
作者回复: 对呀，横坐标为0时就是第1个epoch训练完的结果。
因为训练数据也有标签呀。 - 2019-04-01彭老师，我好像找到原因了，模型参数的问题，我应该是开始训练的时候，模型参数没有清除。我把输出都清除之后，从头开始训练就差不多。
作者回复: 👍👍
2019-03-25我的训练的时候的耗时和loss的值以及准确率怎么跑出来的结果和您的不一样呢
Train on 60000 samples, validate on 10000 samples
Epoch 1/5
- 10s - loss: 0.1820 - acc: 0.9474 - val_loss: 1.1927 - val_acc: 0.9260
Epoch 2/5
- 9s - loss: 0.1601 - acc: 0.9524 - val_loss: 0.9594 - val_acc: 0.9404
Epoch 3/5
- 9s - loss: 0.1408 - acc: 0.9582 - val_loss: 0.9494 - val_acc: 0.9411
Epoch 4/5
- 10s - loss: 0.1234 - acc: 0.9637 - val_loss: 0.9348 - val_acc: 0.9420
Epoch 5/5
- 10s - loss: 0.1086 - acc: 0.9678 - val_loss: 0.9655 - val_acc: 0.9401展开作者回复: 因为在训练时，我们梯度下降的情况或许会有不同，所以不会输出完全一样的 loss 和 acc 哈。但是最终收敛的结果差距很小。
2019-03-10correct_indices = np.nonzero(predicted_classes == y_test)[0] 这为什么要加一个[0]？javascript:;作者回复: 因为右边的结果是 (numpy.array)的形式，[0] 就可以取出 tuple 中的 numpy.array.
2019-03-03老师, 这个例子里面, 用的keras , 这个算是tensorflow吗, 为啥不用ts呢, 不是keras能做的ts不都能做吗 , 不是面向ts实战吗作者回复: 因为大部分学员建议用高层次 API。入门的话，Keras 更好上手，也是大部分AI用户的选择。TF 低层次 API 讲起来比较复杂，并且最近大量都 depreacated。等 2.0 出来了，可以基于 TensorFlow Eager 跟大家讲讲动态图
2019-03-01没讲为什么2个隐藏层，每个隐藏层的神经元是512个，为什么用relu激活函数作者回复: 2个隐藏层是考虑到识别任务的难度和数据量多少。
512是经验数值，也可以用 256或者128。大家在很多论文中看到对于这类超参数的选择，通常都是基于某个数据集上，根据性能表现最终选择了某个值。
相比 sigmoid 和 tanh，使用relu 激活函数计算速度更快，也是大家现在常用的激活函数。