自己编程实现两层或多层全连接神经网络，可以使用moons 、circles、或者digits数据集来测试、验证算法。
dataset_moons:
dataset_circles:
dataset_digits:
加载数据的方式是：
# moon dataset
% matplotlib inline
import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt
# generate sample data
np.random.seed(0)
X, y = datasets.make_moons(200, noise=0.20)
# plot data
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
plt.show()dataset_circles的数据文件是dataset_circles.csv
dataset_digits的加载方式：
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
# load data
digits = load_digits()
# copied from notebook 02_sklearn_data.ipynb
fig = plt.figure(figsize=(6, 6)) # figure size in inches
fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)
# plot the digits: each image is 8x8 pixels
for i in range(64):
ax = fig.add_subplot(8, 8, i + 1, xticks=[], yticks=[])
ax.imshow(digits.images[i], cmap=plt.cm.binary)
# label the image with the target value
ax.text(0, 7, str(digits.target[i]))要求：
- 先用函数的方式实现网络的正向计算和反向误差传播，权值更新。
- 构思并实现基于类的神经网络程序。
- 构建多分类的网络（可以使用
dataset_digits）。 - 学习
softmax和cross entropy的方法，并实现类别所属概率的输出。 - 对比自己实现与sklearn的方法的精度。
- 如何将分类错误的样本可视化出来？