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(dòng)手去實(shí)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(shí)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(yǔ)言:Python3.8.5
環(huán)境:jupyter
庫(kù)文件: numpy | matplotlib | scipy
我們即將設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)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(cè)，所以我們將具有以下的三個(gè)方法：
首先我們需要初始化這個(gè)函數(shù)，我們希望這個(gè)神經(jīng)網(wǎng)絡(luò)僅有三層，因?yàn)樵俣嘁膊贿^是在隱藏層去做文章，所以先做一個(gè)簡(jiǎn)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(diǎn)個(gè)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。
現(xiàn)在我們需要準(zhǔn)備一下：
1.將我們需要的庫(kù)導(dǎo)入
import numpy as np import scipy.special as spe import matplotlib.pyplot as plt
2.構(gòu)建一個(gè)類
class neuralnetwork:
# 我們需要去初始化一個(gè)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(diǎn)數(shù) hidden_nodes = 88 # 隱藏層的節(jié)點(diǎn)數(shù) output_nodes = 10 # 輸出層的節(jié)點(diǎn)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(shí)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(shí)別\mnist_test.csv")
answer_data = file2.readlines()
file2.close()
這里需要介紹以下這個(gè)數(shù)據(jù)集，訓(xùn)練集在這里，測(cè)試集在這里
def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
self.inodes = inputnodes # 輸入層節(jié)點(diǎn)設(shè)定
self.hnodes = hiddennodes # 影藏層節(jié)點(diǎn)設(shè)定
self.onodes = outputnodes # 輸出層節(jié)點(diǎn)設(shè)定
self.lr = learningrate # 學(xué)習(xí)率設(shè)定，這里可以改進(jìn)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(jìn)來(lái)的二維圖像數(shù)據(jù)
hidden_inputs = np.dot(self.wih, inputs) # 隱藏層計(jì)算，說(shuō)白了就是線性代數(shù)中的矩陣的點(diǎn)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(cè)的數(shù)據(jù)
這里我們對(duì)預(yù)測(cè)這一部分做一個(gè)簡(jiǎn)單的解釋：我們之前的定義輸出的節(jié)點(diǎn)是10個(gè)，對(duì)應(yīng)的是十個(gè)數(shù)字。
而為什么會(huì)通過神經(jīng)網(wǎng)絡(luò)能達(dá)到這個(gè)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(cuò)！??！
之前的部分相對(duì)而言還是比較簡(jiǎn)單的，那么接下來(lái)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(shí)別過程是一樣的，說(shuō)白了我們與要先看看現(xiàn)在的預(yù)測(cè)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(lái)將標(biāo)簽?zāi)眠t來(lái)
targets = np.array(targets_list, ndmin=2).T
# 得到我們的數(shù)據(jù)預(yù)測(cè)的誤差，這個(gè)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(gè)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。
接下來(lái)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(hào)分割文件，顧名思義，它是通過逗號(hào)分隔的，所以我們可以打開看一下：
眼花繚亂??！
但是細(xì)心的我們可以發(fā)現(xiàn)他的第一個(gè)數(shù)字都是0~9，說(shuō)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(gè)后面的數(shù)據(jù)是一個(gè)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(jiǎn)單的看一下每個(gè)數(shù)字是什么：
很好，知道這里就足夠了，那么我們接下來(lái)就是將這些數(shù)據(jù)傳入了！
我們?cè)谟?xùn)練的時(shí)候，需要將他們都轉(zhuǎn)化成數(shù)字列表，方便處理
data = [] # 用來(lái)保存訓(xùn)練過程的數(shù)據(jù)
sum_count = 0 # 統(tǒng)計(jì)總識(shí)別的正確的個(gè)數(shù)
for i in range(15): # 訓(xùn)練的輪數(shù)
count = 0 # 單次訓(xùn)練識(shí)別正確的個(gè)數(shù)
for j in range(len(data_list)): # 對(duì)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(lái)和結(jié)果對(duì)比
line_ = data_list[j].split(',') # 對(duì)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(lái)
n.train(imagearray[1:]/255*0.99+0.01, target) # 丟入訓(xùn)練，丟入的時(shí)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(duì)10000組測(cè)試集測(cè)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(duì)應(yīng)位置是否達(dá)到自定義的閾值？
count += 1
sum_count += count
string = "訓(xùn)練進(jìn)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(lái)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:])
把源碼整理一下貼出來(lái)
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(gè)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(shí)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(shí)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(jìn)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(shuō)是相對(duì)簡(jiǎn)單的一個(gè)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~
如何識(shí)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(yùn)行速度問題
我的想法：如何快速的矩陣運(yùn)算，通過C語(yǔ)言是否可以加速？相較于darknet這個(gè)神經(jīng)網(wǎng)絡(luò)僅有三層，運(yùn)算速度并不是十分理想。當(dāng)然cuda編程對(duì)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(shí)別的文章就介紹到這了,更多相關(guān)python手寫數(shù)字識(shí)別內(nèi)容請(qǐng)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！
標(biāo)簽：四川 黑龍江 黔西 惠州 益陽(yáng) 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(shí)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(qǐng)?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)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(wú)關(guān)。
