Нейронную

Набор рукописных цифр MNIST 
177

---

Идея разделения тренировочных и тестовых данных распространена 
среди специалистов по машинному обучению.
Присмотримся к этим файлам. Ниже показана часть тестового на­
бора MNIST, загруженного в текстовый редактор.
Ого! Создается впечатление, будто здесь что-то не так. Напоминает 
кадры из кинофильмов 1980-х годов, содержащих сцены взлома 
компьютерных систем хакерами.
На самом деле все хорошо. В окне текстового редактора отобража­
ются длинные строки текста, которые содержат числа, разделенные 
запятыми. Это легко можно увидеть. Текстовые строки такие длин­
ные, потому что каждая из них занимает несколько строк на экране. 
Очень удобно то, что текстовый редактор отображает на полях реаль­
ные номера строк, и мы видим четыре целые строки и часть пятой.
Содержимое этих записей, т.е. строк текста, легко понять.
• Первое значение — это маркер, т.е. фактическая цифра, напри­
мер “ 7” или “ 9” , которую должен представлять данный руко­
писный экземпляр. Это ответ, правильному получению которо­
го должна обучиться нейронная сеть.
• Последующие значения, разделенные запятыми, — это значе­
ния пикселей рукописной цифры. Пиксельный массив имеет 
размерность 28x28, поэтому за каждым маркером следуют 784 
пикселя. Если у вас есть такое желание, можете пересчитать!
178 
Глава 2. Создаем нейронную сеть на Python

---

Таким образом, первая запись представляет цифру “ 5” , о чем го­
ворит первое значение, тогда как остальная часть текста в этой стро­
ке — это пиксельные значения написанной кем-то от руки цифры 
“5” . Вторая строка представляет рукописную цифру “ 0” , третья — 
цифру “ 4” , четвертая — цифру “ 1” и пятая — цифру “ 9” . Можете 
выбрать любую строку из файлов данных MNIST, и ее первое число 
укажет вам маркер для последующих данных изображения.
Однако увидеть, каким образом длинный список из 784 значений 
формирует изображение рукописной цифры “ 5” , не так-то просто. Мы 
должны вывести в графическом виде эти цифры и убедиться в том, что 
они действительно представляют цвета пикселей рукописной цифры.
Прежде чем углубиться в рассмотрение деталей и приступить к на­
писанию кода, загрузим небольшое подмножество набора данных, 
содержащихся в базе MNIST. Файлы данных MNIST имеют очень 
большой размер, тогда как работать с небольшими наборами значи­
тельно удобнее, поскольку это позволит нам экспериментировать, 
разрабатывать и испытывать свой код, что было бы затруднительно 
в случае длительных расчетов из-за большого объема обрабатывае­
мых данных. Когда бы отработаем алгоритм и будем удовлетворены 
созданным кодом, можно будет вернуться к полному набору данных.
Ниже приведены ссылки на меньшие наборы MNIST, также под­
готовленные в формате CSV.
• 10 записей из тестового набора данных MNIST:
https://raw.githubusercontent.com/makeyourownneuralnetwork/ 
makeyourownneuralnetwork/master/mnist_dataset/mnist_test_10.csv 
•
• 100 записей из тренировочного набора данных MNIST:
h t t p s :/ / r a w .gi th ub us er co nte nt.com/makeyourownneuralnetwork/ 
makeyourownneuralnetwork/master/mnist_dataset/mnist_train_l00.csv
Если ваш браузер отображает данные вместо того, чтобы загрузить 
их автоматически, можете сохранить файл, выполнив команду меню 
ФайлоСохранить 
как или эквивалентную ей.
Сохраните файл в локальной папке, выбрав ее по своему усмотре­
нию. Я храню свои данные в папке