# 神经网络模式输出是怎么定义的呢？
# 你的输出其实不是“结果”，而是“10个概率倾向
你的网络结构是：
- 输入层：784（28×28像素）
- 隐藏层：200
- 输出层：10（重点）
👉 输出层 10 个神经元分别代表：
| 输出索引 | 含义 |
|---|---|
| 0 | 数字0的概率 |
| 1 | 数字1的概率 |
| ... | ... |
| 7 | 数字7的概率 |
| 9 | 数字9的概率 |
# 案例识别图片7
查询手写图片7的神经网络的结果是：
array([
0.094, # 0
0.032, # 1
0.061, # 2
0.082, # 3
0.103, # 4
0.047, # 5
0.019, # 6
0.733, # 7 ← 最大
0.101, # 8
0.091 # 9
])
1
2
3
4
5
6
7
8
9
10
11
12
2
3
4
5
6
7
8
9
10
11
12
这个是手写定义好的吗？是在哪一个阶段进行定义的呢？
# 为什么 0.733 就代表“7”？
因为你后面用了：
label = numpy.argmax(outputs)
1
argmax 的意思是：
找最大值所在的索引
所以：
max = 0.733 → index = 7
1
预测结果 = 7
# 这两行和你那个数组是完全等价的
我们拆开看：
先创建全 0.01
numpy.zeros(output_nodes) + 0.01
1
得到：
[0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01]
1
再把“正确标签位置”改成 0.99
targets[int(all_values[0])] = 0.99
1
如果标签是 7：
targets[7] = 0.99
1
结果变成：
[0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.99, 0.01, 0.01]
1
# 所以你真正的代码“等价于你写的数组”
你看到的那个数组：
[0.01, 0.01, ..., 0.99, ..., 0.01]
1
是“运行时动态生成的”，不是你手写的。
# 为什么要这样写，而不是直接写数组？
因为训练数据有 60000 条（MNIST）：
如果你手写：
每一条数据都写一个10维数组 （不可能）
1
所以必须用：
zeros + index赋值 ✔（自动生成）
1
# 你代码真正做的是“自动生成标签向量”
每一条数据循环都会执行：
label = 7
→ 自动生成：
[0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.99, 0.01, 0.01]
1
2
3
2
3
# 你困惑的本质（很关键）
你以为：
“这个数组是不是写死在数据里？”
其实是：
“这个数组是训练代码现场生成的”
# 你可以这样理解整个流程
原始数据：
7, 0,0,0, ... 255像素
1
代码转换：
targets = zeros(10)
targets[7] = 0.99
1
2
2
神经网络学习：
“看到这种图片 → 输出第7个最大”
# 如果你想验证（建议你试一下）
你可以在代码里加一句：
print(targets)
1
你会看到每一条训练数据都会变成不同的“10维向量”。
# 一句话总结
你没有手写那个数组，但你的这两行代码每次运行都会自动生成同样结构的数组。
如果你下一步想搞懂这个，我可以帮你讲一个更关键的点：
为什么 0.99 / 0.01，而不是 1 / 0？（这其实是神经网络训练稳定性的核心技巧）
← 神经网络