全连接神经网络 应用 手写数字识别0〜9 使用mnist训练集 训练集为50000张图片 测试集为10000张图片 达到的效果拟合度99.70%,测试集上准确率98.38% ,在训练了28个epoth获得 算法细节 使用反向传播算法计算梯度dw和db 采用L2正则化 采用随机梯度下降算法 min-batch大小为10 使用fmincg高级优化算法执行渐变下降的单次迭代 数据归一化 参数初始化 生成第l层的w和b,k为第l-1层的神经元个数 使用方差为1 / k的高斯分布生成w,方差为1的高斯分布生成b 这一定幅度加快了训练速度,详细联系作者 对输出层采用softmax层,得到每个类别概率分布的输出 更多测试细节 不同超参数得到的训练结果报告 详细数据报告联系作者 超参数 训练集上拟合度 测试集上准确率 训练的epoth数 未优化的bp神经网络 优化算法改变,将fminunc改成fmincg