Python 用预先训练的权重和偏差预测自己的形象并不'；我不能正常工作

我正试图通过在MNIST数据库上训练的反向传播将我自己的图像从零开始导入神经网络

代码：

#X-输入图像
#W1/W2-重量
#b1/b2-偏差
def预测（X、W1、W2、b1、b2）：
Z1=np.dot（W1，X.T）+b1
A1=tanh（Z1）
Z2=np.dot（W2，A1）+b2
A2=软最大值（Z2）
预测=np.argmax（A2，轴=0）
收益预测

selected\u img=x\u测试[3]
输出=预测（选择的项目，W1、W2、b1、b2）
myImg=选择的形状重塑（（28,28））
打印（输出）

哪里可能出错

当我尝试从MNIST数据库本身输入图像时，它仍然不起作用。例如，它可以将其输出为

输出

：

[722727271772727727272]

请注意，我使用的代码与完整NN中的代码相同，因此前馈是相同的，猜测是相同的，权重和偏差是相同的-它在完整版本中确实有效，所以我真的不明白，为什么它现在不能工作

我错过什么了吗？

---

谢谢你的帮助

TL；DR:您正在构建完全连接的网络，而不是CNN，您的输入应为1D形状张量

28*28=784

，输出张量应为1D形状张量

10

根据问题描述，您正在尝试构建一个神经网络来分类

MNIST

数字。对吗？因此，您的网络应该将shape

28x28

的输入映射到

10

的shape的输出向量（每个数字类别的预测概率：0,1，…9），然后应用

argmax

获得预测值

现在，看看您的

输出

形状：

#上述问题的输出数组：
输出=np.数组（[7,2,2,7,7,2,2,7,1,2,7,7,2,2,2,7,7,7,7,2,2,7,7,7,2,2,2]）
打印（输出.形状）

输出：

（28，）

28

vs

10

。甚至在应用

argmax

之前，输出形状是

28x28

。所以，这绝对不是我们想要实现的

问题正在向前发展。您正在构建经典的完全连接层，但并没有将二维输入张量的

28x28

重塑为1D形状张量的

784

。如果你想处理2D输入，你应该使用CNN架构

---

因此，要解决您的问题，您应该修复输入的所有形状以及偏差、权重。

啊，我明白了！为了确保我理解正确，我的原始网络参数形状是：输入-（10000，784）权重1-（28784）bias1-（28，1）bias2-（10，1）权重2-（10，28）np后的结果。点（权重，输入）+偏差-（2810000）激活函数-（2810000）我的预测函数参数形状是：输入-（1784）权重1-（1784）权重2-（1，28）bias1-（1，1）bias2-（1，1）np后的结果。点（权重，输入）+偏差-（1，1）激活函数-（1，1）我理解正确吗？哦，对，我没有理解正确。现在我想我知道你的意思，但它仍然输出错误的数字。所以从原始输入大小

（10000，784）

我从权重1

（28784）

->

（10784）

从bias1

（28,1）

->

（10,1）

从权重2

（10,28）

->

（10,10）

从bias2

（10,1）

->

（10,1）

现在这就是你想要的吗？好的，你有一个n=10000个样本的数据集，每个样本有m=784个特征，隐藏单元的数量，比如说将是h=1024，输出大小o=10，输入（n，m），因此（为了简单起见，我省略了激活）：输入层：np.dot（W1（h，m），输入（n，m）.T）+b1（h，1）->A1（h，n）；隐藏层：np.dot（W2（o，h）A1（H，N）+B2（O，1）-A2（O，N）只是将神经网络看作是一个矩阵乘法和偏置的序列，与广播相加，所以：<代码>（1024, 784）x（784，n）->（1024，n）+（1024, 1）->（1024，n）< /代码>；<代码>（10, 1024）x（1024，n）->（10，n）+（10, 1）->（10，n）。哦，我明白了，多亏了你，我终于能够正确预测了！