| Typ | Entität |
|---|---|
| Kategorie | datensatz |
| Quellen | Quelle - Neuronale Netze selbst programmieren Quelle - Neuronale Netze programmieren mit Python |
| Erstellt | 2026-09-26 |
| Aktualisiert | 2026-09-27 |
| Tags | datensatz, maschinelles-lernen, bilderkennung, benchmark |
Die bekannteste Datenbank handgeschriebener Ziffern: 60 000 Trainings- und 10 000 Testbilder mit je 28 × 28 Graustufenpixeln und der richtigen Ziffer als Kennung. Sie dient seit Jahrzehnten als Standard-Prüfstein für Bilderkennungsverfahren.
Aufbau
Laut Quelle - Neuronale Netze selbst programmieren (S. 147–154):
- Trainingsdaten: 60 000 gekennzeichnete Beispiele, Testdaten: 10 000. Die Trennung stellt sicher, dass das Netz an Bildern geprüft wird, die es nie gesehen hat.
- Jedes Bild hat 28 × 28 = 784 Pixel mit Grauwerten von 0 bis 255.
- Im verbreiteten CSV-Format ist jede Zeile ein Bild: zuerst die Kennung (0–9), dann die 784 Pixelwerte.
- Herkunft: Website des Forschers Yann LeCun, die auch eine Rangliste der Verfahren führt.
Ergebnisse im Buch
| Verfahren | Genauigkeit auf den Testdaten |
|---|---|
| eigenes Python-Netz, nur 100 Trainingsbilder | 60 % (10 Testbilder) |
| eigenes Netz 784–100–10, Lernrate 0,3, 1 Epoche | 94,7 % |
| Lernrate 0,2 | 95,4 % |
| 200 versteckte Knoten, mehrere Epochen | 97,5 % |
| zusätzlich um ±10° gedrehte Trainingsbilder, 10 Epochen | 97,9 % |
| PyTorch, Sigmoid, MSE, SGD (Lernrate 0,01), 3 Epochen | 87 % |
| PyTorch mit BCE / LayerNorm / Leaky ReLU / Adam | 90 % / 91 % / 97 % / 97 % |
| Faltungsnetz mit TensorFlow/Keras (2 Faltungsblöcke, Dropout, Adam, 12 Epochen), Quelle - Neuronale Netze programmieren mit Python S. 233–249 | 99,4 % |
Herkunft: MNIST ist eine modifizierte Fassung einer Datenbank des US-amerikanischen National Institute of Standards and Technology (NIST). Yann LeCun setzte 1998 erstmals Faltungsnetze darauf ein, der Beginn ihrer Erfolgsgeschichte (Quelle - Neuronale Netze programmieren mit Python, S. 233). In Keras lädt mnist.load_data() den Datensatz direkt. Für das CNN werden die Bilder zu 28 × 28 × 1 (ein Farbkanal) umgeformt, auf 0–1 skaliert und die Ziffern als One-Hot-Vektor kodiert (S. 234–236).
Einzelheiten zu Netz und Training in Künstliches neuronales Netz, zu PyTorch in PyTorch.
MNIST gilt heute als „gelöst“: Faltungsnetze (CNN) erreichen über 99,7 %. Schon das einfache CNN des zweiten Buchs mit 99,4 % senkt die Fehlerquote gegenüber dem besten vollständig verbundenen Netz aus dem ersten Buch (97,9 %, also 2,1 % Fehler) auf weniger als ein Drittel (0,6 %). Für aktuelle Forschung ist der Datensatz zu leicht, als Einstieg und Test für neue Ideen ist er aber weiterhin beliebt. Das ist Allgemeinwissen und nicht eigens recherchiert. Ob die im Buch genannten Download-Adressen noch erreichbar sind, wurde nicht geprüft.
Verwandt
- Künstliches neuronales Netz – das Netz, das an MNIST trainiert wird
- Mustererkennung – Ziffernerkennung als klassisches Klassifikationsproblem
- Digitale Bildverarbeitung – Graustufenbilder als Pixelmatrix
- Faltungsnetz – die Architektur, die MNIST praktisch löst
- ImageNet – der grosse Nachfolger mit 1000 Klassen