Python 理解神经网络在文档示例（MNIST）中准确预测的内容

为了更好地理解它们，我上了一门神经网络的速成课程，现在我正在R为自己尝试它们。我正在关注Keras的文档

我理解所发生事情的方式：

我们正在输入一系列图像，并根据这些像素中像素和颜色的排列将这些图像转换为数字矩阵。然后，根据分类（0到9），我们建立一个神经网络模型来学习这些排列的模式。然后，我们使用该模型来预测图像属于哪一类。老实说，我承认我不完全确定你的火车和你的火车是什么。我只是把它看作一个训练集和一个验证集，所以我不确定x和y之间的区别是什么

我的问题：

我按照T的步骤进行了操作，模型运行良好，预测结果与文档中的一样。最终，预测是这样的：

我认为这意味着x_检验中的观察1被预测为7类

然而，在x_测试中，它看起来是这样的：

---

如果我向下滚动，每一列和每一行中都有一个0。这就是我感到困惑的地方。我也不确定我是如何查看原始图像的，以查看它们预测它们的效果。我最终想自己画一个数字，然后看看模型是否能预测它，但为此我需要首先了解发生了什么。我觉得我离得很近，但我只需要轻轻推一下

y\u-train是标签，x\u-train是训练数据，因此本例中的图像。您需要使用某种绘图库来绘制x'E。在本例中，您可能不需要输入自己的图形，如果需要，您需要以与MNIST中相同的方式对其进行预处理，并将其传递给模型。

我认为，如果您阅读更多有关输入和输出图层尺寸的信息，这将有所帮助

在您的示例中： 输入层： 图像的单个训练示例具有两个维度28×28，然后将其转换为维度784的单个向量。它充当神经网络的输入层。 因此，对于

m

培训示例，您的输入层将具有维度

（m，784）

。类似地（对于传统的ML系统），您可以想象图像的每个像素被转换为一个特征（或x1，x2，…x784），并且您的训练集是一个包含

m

行和

784

列的数据帧，然后输入神经网络以计算

y_hat=f（x1，x2，x3，…x784）

输出层： 作为我们神经网络的输出，我们希望它能够预测从

0到9的数字。因此，对于单个训练示例，输出层具有维度10，表示0到9之间的每个数字，对于
n
测试示例，输出层将是维度为
n*10
的矩阵。
我们的
y
是长度
n
的向量，它类似于
[1,7,8,2，…]
，包含每个测试示例的真值。但是为了匹配输出层的维度，使用一个热编码转换
y
向量的维度。想象一个长度为10的向量，表示数字7，将1放在第7位，其余位置为0，类似于
[0,0,0,0,0,1,0,0,0]

因此，在您的问题中，如果您希望看到原始图像，您应该能够在使用类似
image（mnist$test$x[1，]

希望这能有所帮助！！
如果我在数据中画出x，它将是0。只有0。也许我误解了你的答案？