Нейронную

184 
Глава 2. Создаем нейронную сеть на Python

---

Глядя на это изображение, вы с уверенностью можете сказать, что 
этой рукописной цифре действительно соответствует цифра 0.
Подготовка тренировочных данных MNIST
Теперь, когда вы уже знаете, как получить данные из файлов 
MNIST и извлечь из них нужные записи, мы можем воспользоваться 
этим для визуализации данных. Мы хотим использовать эти данные 
для обучения нашей нейронной сети, но сначала мы должны проду­
мать, как их следует подготовить, прежде чем предоставлять сети.
Вы уже видели, что нейронные сети работают лучше, если как 
входные, так и выходные данные конфигурируются таким образом, 
чтобы они оставались в диапазоне значений, оптимальном для функ­
ций активации узлов нейронной сети.
Первое, что мы должны сделать, — это перевести значения цветовых 
кодов из большего диапазона значений 0-255 в намного меньший, ох­
ватывающий значения от 0,01 до 1,0. Мы намеренно выбрали значение 
0,01 в качестве нижней границы диапазона, чтобы избежать упомяну­
тых ранее проблем с нулевыми входными значениями, поскольку они 
могут искусственно блокировать обновление весов. Нам необязательно 
выбирать значение 0,99 в качестве верхней границы допустимого диа­
пазона, поскольку нет нужды избегать значений 1,0 для входных сиг­
налов. Лишь выходные сигналы не могут превышать значение 1,0.
Деление исходных входных значений, изменяющихся в диапа­
зоне 0 -2 5 5 , на 255 приведет их к диапазону 0 -1 ,0 . Последующее
Набор рукописных цифр MNIST 
185

---

умножение этих значений на коэффициент 0,99 приведет их к диа­
пазону 0,0 -0 ,9 9 . Далее мы инкрементируем их на 0,01, чтобы вмес­
тить их в желаемый диапазон 0 ,0 1 -1 ,0 . Все эти действия реализует 
следующий код на языке Python.
scaled_input = (numpy.asfarray(all_values