Нейронную

Тренировка и тестирование нейронной сети 
с использованием полной базы данных
Далее мы добавим в нашу основную программу новый код, разра­
ботанный для тестирования эффективности сети.
При этом потребуется изменить имена файлов, поскольку теперь 
они должны указывать на полный набор тренировочных данных, на­
считывающий 60 тысяч записей, и набор тестовых данных, насчиты­
вающий 10 тысяч записей. Ранее мы сохранили эти наборы в файлах 
с именами m n ist_d a ta set/m n ist_tra in .csv и m nist_dataset/m nist_ 
te s t.c s v . Нам предстоит серьезная работа!
198 
Глава 2* Создаем нейронную сеть на Python

---

Не забывайте о том, что блокнот с этим кодом можно получить 
на сайте GitHub по следующему адресу:
https://github.com/makeyourownneuralnetwork/makeyourownneuralnetwork/ 
blob/master/part2_neural_network_mnist_data.ipynb
Вы также можете ознакомиться с тем, как постепенно улучшался 
этот код, воспользовавшись следующей ссылкой:
https://github.com/makeyourownneuralnetwork/makeyourownneuralnetwork/ 
commits/master/part2_neural_network_mnist_data.ipynb
В соответствии с результатами обучения нашей простой трехслой­
ной нейронной сети с использованием полного набора, включающего 
60 тысяч примеров, и последующего тестирования на 10 тысячах за­
писей показатель общей эффективности сети составляет 0,9473. Это 
очень неплохо. Точность распознавания составила почти 95%!
Этот показатель, равный почти 95% , можно сравнить с аналогич­
ными результатами эталонных тестов, которые можно найти по адре­
су h ttp ://y a n n .lecu n .com /ex d b /m n ist/. Вы увидите, что в некоторых 
случаях наши результаты даже лучше эталонных и почти сравнимы 
с приведенными на указанном сайте результатами для простейшей 
нейронной сети, эффективность которой составила 95,3% .
Это вовсе не так плохо. Мы должны быть довольны тем, что наша 
первая попытка продемонстрировала эффективность на уровне ней­
ронной сети профессиональных исследователей.
Кстати, вас не должно удивлять, что даже в случае современных 
быстродействующих домашних компьютеров обработка всех 60 ты­
сяч тренировочных примеров, для каждого из которых необходимо 
вычислить распространение сигналов от 784 входных узлов через 
сто скрытых узлов в прямом направлении, а также обратное распро­
странение ошибок и обновление весов, занимает ощутимое время.