在线神经网络数字识别可视化

写了个神经网络数字识别的在线可视化运行工具（运行前请务必查看本文章）.

属性

基础设置

共设置三个神经元层，分为：input，hidden，output

其中，input 层是输入层，由于数据所限，输入层神经元数为 $28 \times 28 = 784$ 个.

hidden 层是隐藏层，神经元数可以自定义，推荐设置为 200，以在保证较大效率的前提下得到较大正确率.

output 层是输出层，输出是 0 ~ 9 十个数字，故限制神经元数为 10 个.

学习设置

设定学习率用于防止过度学习，即对某特定数据能 100% 正确，而对全局数据无法保证正确率.

学习率一般设置为 0.1，太低学习慢，太高学习过度.

学习世代，即每个数据学习多少次，一般设置为 5，设置太低正确率低，太高学习过度，且学习慢.

数据规模，即学习给定学习数据的前千分之几项 (MNIST 的学习数据共 60000 项)，例如，设置为 10 表示前 10‰ 的数据，即600项.

数据规模越大，正确率越高，但学习越慢.

测验设置

测试规模，即测试给定测试数据的前千分之几项 (MNIST 的测试数据共 10000 项)，该项只是对正确率检测的精度设置，对神经网络无影响.

错误显示，即完成测验后显示多少项神经网络所得与标准答案不符的数据 (用于测试)，该项不是比例，而是错误显示的确切最大值，设置为 0 则不限数量，最多设置为 10000.

加载数据

数据采用 MNIST 库的 CSV 优化版本，其中训练数据 (mnist_train.csv) 共 60000 项，测试数据 (mnist_test.csv) 共 10000 项.

训练数据和测试数据无重复部分，这样保证神经网络是真正的认到了数字而不是记下了数据.

由于两文件太大，无法嵌入网页中，故请自行下载：

• AList
• 蓝奏云

点击两加载按钮，选择对应文件，稍等片刻即完成加载.

读取数据

选择或拖动之前保存的数据文件到网页中，即可加载相应数据，免去学习的过程 (若对该数据不再次学习，可以不加载训练数据).

这里我提供自己花 5 个小时训练的全数据和几分钟训练的 5% 数据，供参考：

在运行完学习后，可以点击保存数据.

训练神经网络

点就完事.

测试神经网络

批量测试

在加载完测试数据之后，可以点击测试，左侧为训练日志，右侧为正确率的可视化显示.

指定测试

选择数据编号，可显示图像、值和神经网络判断的数据可能性 (右侧柱状图，值越大，越有可能是该数字).

选择测试

加载完测试数据后，可以点击图像测试该数据，鼠标移上图像会以 #a => b 的格式显示编号和数值，其中，a 为编号，b 为数值.