提高mnist模型精确度

1、问题

在学习深度学习这门课程中，各种模型指标有一个叫精确度，精确度的意思就是说在模型完成后，测试集的结果与真实值之间的占比程度。那么我们应该如何提高整个模型的精确度呢？我们都知道深度学习模型的建立在经过一些简单的配置，默认的参数，模型在一次训练只有较低的准确率，往往在多次训练后最高也不到85%。所以我们需要一些方式来提高精确度。

2、方法

通过学习和网上查找资料，我总结出了以下几个提高准确度的技巧：网络的层数以及每一层神经元的个数，学习率的更新：随着迭代次的增加，指数下降，学习轮数的设定，参数优化，数据处理，或者新增一些优化方法，还有比较复杂的一种方法，那便是使用更加复杂的模型以达到更高的准确度，以下是代码呈现：

1.lr = tf.Variable(0.001, dtype = tf.float32)#使用变量方式，定义学习率，初始值为0.001，类型是float32

2.sess.run(tf.assign(lr,0.001*(0.95**epoch)))

每批次迭代，学习率以初始值为0.001，指数下降，利用tf.assign()的方法赋值更新

3、结语

对于提高准确度的问题，在经过多次尝试和多种方法后得出了一些结论，证明了本方法确实是有效的，虽然不能算是效果最好的一种方式，但是在后续的学习中一定能找到更好的方法来解决类似的问题，还应该不断的尝试，不断的实验寻找更优秀的方法，才能更好的提高准确度。