一一中文网

手机浏览器扫描二维码访问

第60章 第一个模型（第3页）

房间里安静得能听到电流声。

林晨靠在椅背上，长长地呼出一口气。

95.3%。

这意味着他刚刚亲手构建的这个简单神经网络，在识别手写数字图片的任务上，已经能达到接近人类的水平——至少对于mNISt这种相对干净的数据集是这样。

但这还不是终点。

他打开测试集，随机抽取了几张图片，用训练好的模型进行预测。

代码输出预测结果，他对照着真实标签一一核对。

第一张，图片是个歪歪扭扭的“7”

，模型预测：7，正确。

第二张，像个“3”

又有点像“8”

，模型预测：3，正确。

第三张，一个很标准的“0”

，模型预测：0，正确。

连续对了十张。

然后他故意挑了一张模糊的、像素似乎有噪声的图片，看起来像“4”

但下半部分缺失。

模型预测：4，概率置信度87%。

真实标签：4。

林晨盯着那张图片看了很久。

那一刻，他忽然理解了为什么AI会让人着迷。

不是因为它有多神秘，恰恰相反，是因为它的确定性。

你给它数据，定义好架构和优化目标，它就会沿着数学上最陡峭的下降方向，一点一点调整自己内部的数百万个参数，直到找到那个能最大限度区分不同类别特征的权重组合。

这个过程是可重复、可测量、可改进的。

而更关键的是，这个刚刚能识别手写数字的模型，和那些能识别猫狗图片、翻译语言、下围棋、甚至预测股票走势的模型，在本质上用的是同一套方法论。

区别只在于数据规模、模型复杂度和计算资源。

林晨关掉tensorboard，打开一个新的文件。

他开始修改代码——不是照搬教程，而是尝试自己的改动：增加一个隐藏层，把神经元数量从128增加到256，尝试不同的激活函数（把ReLU换成LeakyReLU），调整学习率衰减策略。

重新训练。

这一次，准确率在30个epoch后达到了97.1%。

虽然只是提升了不到两个百分点，但那种“通过调整架构和超参数来控制系统性能”

的掌控感，比第一次看到准确率上升时更强烈。

窗外的科技园，几栋写字楼还亮着零星的灯光。

林晨看了眼时间，凌晨两点半。

他应该去睡觉了，明天还要继续学卷积神经网络（cNN）——那才是处理图像更专业的架构。

但他没动。

他打开那个名为“投资系统数学基础构想”

的笔记，在空白处写下：

“凌晨2:35。