基于飞桨实现手写数字识别1

参考课程连接：https://aistudio.baidu.com/aistudio/projectdetail/727853

最近在学习《百度架构师手把手带你零基础实践深度学习》，现在把课上学习的内容及代码记录下来。

之前写了基于飞桨实现的房价预测模型，适合入门深度学习，是一个很基础的线性回归模型，本文将线性模型运用到手写数字识别中，可能精度比较差，毕竟模型设计不是最适合的，但可用作练手。

1. 手写数字识别任务

手写数字识别是一个典型的图像分类问题，已经被广泛应用于汇款单号识别、手写邮政编码识别等领域。输入为数字图片，输出为0~9的数字标签

2. MNIST数据集

http://yann.lecun.com/exdb/mnist/

MNIST是深度学习领域标准、易用的成熟数据集，包含60000条训练样本和10000条测试样本。

MNIST数据集是从NIST的Special Database 3（SD-3）和Special Database 1（SD-1）构建而来。Yann LeCun等人从SD-1和SD-3中各取一半数据作为MNIST训练集和测试集，其中训练集来自250位不同的标注员，且训练集和测试集的标注员完全不同。

MNIST数据集的发布，吸引了大量科学家训练模型。1998年，LeCun分别用单层线性分类器、多层感知器（Multilayer Perceptron, MLP）和多层卷积神经网络LeNet进行实验，使得测试集的误差不断下降（从12%下降到0.7%）。在研究过程中，LeCun提出了卷积神经网络（Convolutional Neural Network，CNN），大幅度地提高了手写字符的识别能力，也因此成为了深度学习领域的奠基人之一。

3. 构建手写数字识别的神经网络模型

与房价预测模型任务的流程基本一致：模型均为数据处理、定义网络结构和训练过程三个部分

纵向概要介绍模型的基本代码结构和极简实现方案，横向深入探讨构建模型的每个环节中，更优但相对复杂的实现方案。

例如在模型设计环节，除了在极简版本使用的单层神经网络（与房价预测模型一样）外，还可以尝试更复杂的网络结构，如多层神经网络、加入非线性的**函数，甚至专门针对视觉任务优化的卷积神经网络。