Tensorflow基础-mnist数据集

MNIST数据集，每张图片包含28*28个像素，把一个数组展开成向量，长度为28*28=784，故数据集中mnist.train.images是一个形状为[60000,784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片的像素点，像素的强度介于0-1。

MNIST数据集的标签是介于0-9的数字，要把标签转化成“one_hot vectors"。一个one_hot向量除了某一位数字是1以外，其余维度数字都是0，比如将标签0表示为([1,0,0,0,0,0,0,0,0,0])

故 mnist.train.labels是一个[60000,10]的数字矩阵。

高斯分布的概率密度函数

$f(x)=\frac{1}{\sqrt{2\pi }\sigma }exp(\frac{(x-\mu )^{2}}{2\sigma ^{2}})$

numpy中

numpy.random.normal(loc=0.0, scale=1.0, size=None)

参数的意义为：

loc:float

概率分布的均值，对应着整个分布的中心center

scale:float

概率分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高

size:int or tuple of ints

输出的shape，默认为None，只输出一个值

我们更经常会用到np.random.randn(size)所谓标准正太分布（μ=0, σ=1），对应于np.random.normal(loc=0, scale=1, size)

巴特西