美女被草91,国产精品视频福利

寫在之前

首先是寫在之前的一些建議：

首先是關(guān)于這本書，我真的認(rèn)為他是將神經(jīng)網(wǎng)絡(luò)里非常棒的一本書，但你也需要注意，如果你真的想自己動手去實現(xiàn)，那么你一定需要有一定的python基礎(chǔ)，并且還需要有一些python數(shù)據(jù)科學(xué)處理能力

然后希望大家在看這邊博客的時候?qū)τ谏窠?jīng)網(wǎng)絡(luò)已經(jīng)有一些了解了，知道什么是輸入層，什么是輸出層，并且明白他們的一些理論，在這篇博客中我們僅僅是展開一下代碼；

然后介紹一下本篇博客的環(huán)境等：

語言:Python3.8.5

環(huán)境:jupyter

庫文件: numpy | matplotlib | scipy

一、代碼框架

我們即將設(shè)計一個神經(jīng)網(wǎng)絡(luò)對象，它可以幫我們?nèi)プ鰯?shù)據(jù)的訓(xùn)練，以及數(shù)據(jù)的預(yù)測，所以我們將具有以下的三個方法：

首先我們需要初始化這個函數(shù)，我們希望這個神經(jīng)網(wǎng)絡(luò)僅有三層，因為再多也不過是在隱藏層去做文章，所以先做一個簡單的。那么我們需要知道我們輸入層、隱藏層和輸出層的節(jié)點個數(shù)；訓(xùn)練函數(shù)，我們需要去做訓(xùn)練，得到我們需要的權(quán)重。通過我們已有的權(quán)重，將給定的輸入去做輸出。

二、準(zhǔn)備工作

現(xiàn)在我們需要準(zhǔn)備一下：

1.將我們需要的庫導(dǎo)入

import numpy as np
import scipy.special as spe
import matplotlib.pyplot as plt

2.構(gòu)建一個類

class neuralnetwork:
    # 我們需要去初始化一個神經(jīng)網(wǎng)絡(luò)
    
    def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
        pass
        
        
    def train(self, inputs_list, targets_list):
        pass
        
    
    def query(self, inputs_list):
        pass

3.我們的主函數(shù)

input_nodes = 784    # 輸入層的節(jié)點數(shù)
hidden_nodes = 88    # 隱藏層的節(jié)點數(shù)
output_nodes = 10    # 輸出層的節(jié)點數(shù)

learn_rate = 0.05    # 學(xué)習(xí)率

n = neuralnetwork(input_nodes, hidden_nodes, output_nodes, learn_rate)

4.導(dǎo)入文件

data_file = open("E:\sklearn_data\神經(jīng)網(wǎng)絡(luò)數(shù)字識別\mnist_train.csv", 'r')
data_list = data_file.readlines()
data_file.close()
file2 = open("E:\sklearn_data\神經(jīng)網(wǎng)絡(luò)數(shù)字識別\mnist_test.csv")
answer_data = file2.readlines()
file2.close()

這里需要介紹以下這個數(shù)據(jù)集，訓(xùn)練集在這里，測試集在這里

三、框架的開始

def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
        
        self.inodes = inputnodes   # 輸入層節(jié)點設(shè)定
        self.hnodes = hiddennodes  # 影藏層節(jié)點設(shè)定
        self.onodes = outputnodes  # 輸出層節(jié)點設(shè)定
        
        self.lr = learningrate     # 學(xué)習(xí)率設(shè)定，這里可以改進的
        
        self.wih = (np.random.normal(0.0, pow(self.hnodes, -0.5),(self.hnodes, self.inodes))) # 這里是輸入層與隱藏層之間的連接
        self.who = (np.random.normal(0.0, pow(self.onodes, -0.5),(self.onodes, self.hnodes))) # 這里是隱藏層與輸出層之間的連接
        self.activation_function = lambda x: spe.expit(x)           # 返回sigmoid函數(shù)

Δw j,k =α∗E k ∗ sigmoid (O k )∗(1−sigmoid(O k ))⋅O j ⊤

def query(self, inputs_list):
        inputs = np.array(inputs_list, ndmin=2).T # 輸入進來的二維圖像數(shù)據(jù)
        
        hidden_inputs = np.dot(self.wih, inputs)  # 隱藏層計算，說白了就是線性代數(shù)中的矩陣的點積
        hidden_outputs = self.activation_function(hidden_inputs) # 將隱藏層的輸出是經(jīng)過sigmoid函數(shù)處理
        final_inputs = np.dot(self.who, hidden_outputs) # 原理同hidden_inputs
        final_outputs = self.activation_function(final_inputs) # 原理同hidden_outputs 
        
        return final_outputs # 最終的輸出結(jié)果就是我們預(yù)測的數(shù)據(jù)

這里我們對預(yù)測這一部分做一個簡單的解釋：我們之前的定義輸出的節(jié)點是10個，對應(yīng)的是十個數(shù)字。
而為什么會通過神經(jīng)網(wǎng)絡(luò)能達到這個亞子，我推薦這本書深度學(xué)習(xí)的數(shù)學(xué) 這本書的理論講解非常不錯！??！

四、訓(xùn)練模型構(gòu)建

之前的部分相對而言還是比較簡單的，那么接下來就是如何去構(gòu)建訓(xùn)練模型了。

 def train(self, inputs_list, targets_list):
        # 前期和識別過程是一樣的，說白了我們與要先看看現(xiàn)在的預(yù)測結(jié)果如何，只有根據(jù)這次的預(yù)期結(jié)果才能去修改之前的權(quán)重
        inputs = np.array(inputs_list, ndmin=2).T
        
        hidden_inputs = np.dot(self.wih, inputs)
        hidden_outputs = self.activation_function(hidden_inputs)
        final_inputs = np.dot(self.who, hidden_outputs)
        final_outputs = self.activation_function(final_inputs)
        
        # 接下來將標(biāo)簽?zāi)眠t來
        targets = np.array(targets_list, ndmin=2).T

		# 得到我們的數(shù)據(jù)預(yù)測的誤差，這個誤差將是向前反饋的基礎(chǔ)
        output_errors = targets - final_outputs
        # 這部分是根據(jù)公式得到的反向傳播參數(shù)
        hidden_errors = np.dot(self.who.T, output_errors)
        
        # 根據(jù)我們的反饋參數(shù)去修改兩個權(quán)重
        self.who += self.lr * np.dot((output_errors * final_outputs * ( 1.0-final_outputs)), np.transpose(hidden_outputs))
        self.wih += self.lr * np.dot((hidden_errors * hidden_outputs * (1.0-hidden_outputs)), np.transpose(inputs))

如此我們的基礎(chǔ)神經(jīng)網(wǎng)絡(luò)構(gòu)建完成了。

五、手寫數(shù)字的識別

接下來神經(jīng)網(wǎng)絡(luò)是完成的，那么我們究竟該如何去將數(shù)據(jù)輸入呢？
csv文件我們并不陌生【或許陌生？】，他是逗號分割文件，顧名思義，它是通過逗號分隔的，所以我們可以打開看一下：

眼花繚亂！！

但是細心的我們可以發(fā)現(xiàn)他的第一個數(shù)字都是0~9，說明是我們的標(biāo)簽，那么后面的應(yīng)該就是圖像了，通過了解我們知道這個后面的數(shù)據(jù)是一個28*28的圖像。

all_value = data_list[0].split(',') # split分割成列表
image_array = np.asfarray(all_value[1:]).reshape((28,28)) # 將數(shù)據(jù)reshape成28*28的矩陣
plt.imshow(image_array, cmap='Greys', interpolation='None') # 展示一下

通過這段代碼，我們可以簡單的看一下每個數(shù)字是什么：

很好，知道這里就足夠了，那么我們接下來就是將這些數(shù)據(jù)傳入了！

我們在訓(xùn)練的時候，需要將他們都轉(zhuǎn)化成數(shù)字列表，方便處理

data = []     # 用來保存訓(xùn)練過程的數(shù)據(jù)
sum_count = 0 # 統(tǒng)計總識別的正確的個數(shù)
for i in range(15): # 訓(xùn)練的輪數(shù)
    count = 0         # 單次訓(xùn)練識別正確的個數(shù)
    for j in range(len(data_list)):   # 對60000張圖片開始訓(xùn)練, 沒有劃分?jǐn)?shù)據(jù)集的過程主要是別人直接給了，我也懶得自己去做了，主要就是展示一下神經(jīng)網(wǎng)絡(luò)嘛~
        target = np.zeros(10)+0.01 # 生成初始標(biāo)簽集合，用來和結(jié)果對比
        line_ = data_list[j].split(',')    # 對每一行的數(shù)據(jù)處理切割
        imagearray = np.asfarray(line_)  # 將切割完成的數(shù)據(jù)轉(zhuǎn)換成數(shù)字列表
        target[int(imagearray[0])] = 1.0    # 將正確答案挑出來
        n.train(imagearray[1:]/255*0.99+0.01, target) # 丟入訓(xùn)練，丟入的時候注意將數(shù)據(jù)轉(zhuǎn)換成0.01~1.0之間的結(jié)果
    for line in answer_data: # 對10000組測試集測試
        all_values = line.split(',')
        answer = n.query((np.asfarray(all_values[1:])/255*0.99)+0.01)
        if answer[int(all_values[0])] > 0.85:  # 查看對應(yīng)位置是否達到自定義的閾值？
            count += 1
    sum_count += count
    string = "訓(xùn)練進度 %05f\n本輪準(zhǔn)確度 %05f\n總準(zhǔn)確度 %05f\n\n"%(i/120,count/len(answer_data), sum_count/(len(answer_data)*(i+1)))
    data.append([i/120,count/len(answer_data), sum_count/(len(answer_data)*(i+1))])  # 將數(shù)據(jù)保存方便生成訓(xùn)練曲線
    print(string)
    ```
接下來我們將結(jié)果圖片展示以下吧~

```python
data = np.array(data)
plt.plot(range(len(data)), data[:, 1:])

六、源碼

把源碼整理一下貼出來

import numpy as np
import scipy.special as spe
import matplotlib.pyplot as plt

class neuralnetwork:
    # 我們需要去初始化一個神經(jīng)網(wǎng)絡(luò)
    
    def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
        
        self.inodes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes
        
        self.lr = learningrate
        
        self.wih = (np.random.normal(0.0, pow(self.hnodes, -0.5),(self.hnodes, self.inodes)))
        self.who = (np.random.normal(0.0, pow(self.onodes, -0.5),(self.onodes, self.hnodes)))
        self.activation_function = lambda x: spe.expit(x)           # 返回sigmoid函數(shù)
        
        
    def train(self, inputs_list, targets_list):
        inputs = np.array(inputs_list, ndmin=2).T
        
        hidden_inputs = np.dot(self.wih, inputs)
        hidden_outputs = self.activation_function(hidden_inputs)
        final_inputs = np.dot(self.who, hidden_outputs)
        final_outputs = self.activation_function(final_inputs)
        
        targets = np.array(targets_list, ndmin=2).T
        output_errors = targets - final_outputs
        hidden_errors = np.dot(self.who.T, output_errors)
        
        self.who += self.lr * np.dot((output_errors * final_outputs * ( 1.0-final_outputs)), np.transpose(hidden_outputs))
        self.wih += self.lr * np.dot((hidden_errors * hidden_outputs * (1.0-hidden_outputs)), np.transpose(inputs))
        
    
    def query(self, inputs_list):
        inputs = np.array(inputs_list, ndmin=2).T
        
        hidden_inputs = np.dot(self.wih, inputs)
        hidden_outputs = self.activation_function(hidden_inputs)
        final_inputs = np.dot(self.who, hidden_outputs)
        final_outputs = self.activation_function(final_inputs)
        
        return final_outputs
    
        
input_nodes = 784
hidden_nodes = 88
output_nodes = 10

learn_rate = 0.05

n = neuralnetwork(input_nodes, hidden_nodes, output_nodes, learn_rate)

data_file = open("E:\sklearn_data\神經(jīng)網(wǎng)絡(luò)數(shù)字識別\mnist_train.csv", 'r')
data_list = data_file.readlines()
data_file.close()
file2 = open("E:\sklearn_data\神經(jīng)網(wǎng)絡(luò)數(shù)字識別\mnist_test.csv")
answer_data = file2.readlines()
file2.close()

data = []

sum_count = 0
for i in range(15):
    count = 0
    for j in range(len(data_list)):
        target = np.zeros(10)+0.01
        line_ = data_list[j].split(',')
        imagearray = np.asfarray(line_)
        target[int(imagearray[0])] = 1.0
        n.train(imagearray[1:]/255*0.99+0.01, target)
    for line in answer_data:
        all_values = line.split(',')
        answer = n.query((np.asfarray(all_values[1:])/255*0.99)+0.01)
        if answer[int(all_values[0])] > 0.85:
            count += 1
    sum_count += count
    string = "訓(xùn)練進度 %05f\n本輪準(zhǔn)確度 %05f\n總準(zhǔn)確度 %05f\n\n"%(i/120,count/len(answer_data), sum_count/(len(answer_data)*(i+1)))
    data.append([i/120,count/len(answer_data), sum_count/(len(answer_data)*(i+1))])
    print(string)


data = np.array(data)

plt.plot(range(len(data)), data[:, 1:])

可以說是相對簡單的一個程序，但卻是包含著神經(jīng)網(wǎng)絡(luò)最基礎(chǔ)的思想！值得好好康康~

七、思考

如何識別其他手寫字體等？

我的想法：通過圖像處理，將像素規(guī)定到相近大小【尺度放縮】

圖像大小運行速度問題

我的想法：如何快速的矩陣運算，通過C語言是否可以加速？相較于darknet這個神經(jīng)網(wǎng)絡(luò)僅有三層，運算速度并不是十分理想。當(dāng)然cuda編程對于GPU加速肯定是最好的選擇之一。

到此這篇關(guān)于python神經(jīng)網(wǎng)絡(luò)編程之手寫數(shù)字識別的文章就介紹到這了,更多相關(guān)python手寫數(shù)字識別內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

numpy創(chuàng)建神經(jīng)網(wǎng)絡(luò)框架
教你使用Python建立任意層數(shù)的深度神經(jīng)網(wǎng)絡(luò)
python機器學(xué)習(xí)之神經(jīng)網(wǎng)絡(luò)
pytorch動態(tài)神經(jīng)網(wǎng)絡(luò)(擬合)實現(xiàn)
Python如何使用神經(jīng)網(wǎng)絡(luò)進行簡單文本分類
pytorch之深度神經(jīng)網(wǎng)絡(luò)概念全面整理

標(biāo)簽：四川黑龍江黔西惠州益陽上海常德鷹潭

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《python神經(jīng)網(wǎng)絡(luò)編程之手寫數(shù)字識別》，本文關(guān)鍵詞 python,神經(jīng),網(wǎng)絡(luò)編程,之,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。