python神經(jīng)網(wǎng)絡編程之手寫數(shù)字識別
更新時間：2021年05月08日 11:47:47 作者：神仙盼盼
這篇文章主要介紹了python神經(jīng)網(wǎng)絡編程之手寫數(shù)字識別,文中有非常詳細的代碼示例,對正在學習python神經(jīng)網(wǎng)絡編程的小伙伴們有很好地幫助,需要的朋友可以參考下
寫在之前
首先是寫在之前的一些建議：
首先是關于這本書，我真的認為他是將神經(jīng)網(wǎng)絡里非常棒的一本書，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，并且還需要有一些python數(shù)據(jù)科學處理能力
然后希望大家在看這邊博客的時候對于神經(jīng)網(wǎng)絡已經(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
我們即將設計一個神經(jīng)網(wǎng)絡對象，它可以幫我們?nèi)プ鰯?shù)據(jù)的訓練，以及數(shù)據(jù)的預測，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)；訓練函數(shù)，我們需要去做訓練，得到我們需要的權重。通過我們已有的權重，將給定的輸入去做輸出。
二、準備工作
現(xiàn)在我們需要準備一下：
1.將我們需要的庫導入
import numpy as np import scipy.special as spe import matplotlib.pyplot as plt
2.構建一個類
class neuralnetwork:
# 我們需要去初始化一個神經(jīng)網(wǎng)絡
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 # 學習率 n = neuralnetwork(input_nodes, hidden_nodes, output_nodes, learn_rate)
4.導入文件
data_file = open("E:\sklearn_data\神經(jīng)網(wǎng)絡數(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)點設定
self.hnodes = hiddennodes # 影藏層節(jié)點設定
self.onodes = outputnodes # 輸出層節(jié)點設定
self.lr = learningrate # 學習率設定，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 # 最終的輸出結果就是我們預測的數(shù)據(jù)
這里我們對預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，對應的是十個數(shù)字。
而為什么會通過神經(jīng)網(wǎng)絡能達到這個亞子，我推薦這本書深度學習的數(shù)學 這本書的理論講解非常不錯?。?！
四、訓練模型構建
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建訓練模型了。
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)在的預測結果如何，只有根據(jù)這次的預期結果才能去修改之前的權重
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)
# 接下來將標簽拿遲來
targets = np.array(targets_list, ndmin=2).T
# 得到我們的數(shù)據(jù)預測的誤差，這個誤差將是向前反饋的基礎
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))
如此我們的基礎神經(jīng)網(wǎng)絡構建完成了。
五、手寫數(shù)字的識別
接下來神經(jīng)網(wǎng)絡是完成的，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，說明是我們的標簽，那么后面的應該就是圖像了，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！
我們在訓練的時候，需要將他們都轉化成數(shù)字列表，方便處理
data = [] # 用來保存訓練過程的數(shù)據(jù)
sum_count = 0 # 統(tǒng)計總識別的正確的個數(shù)
for i in range(15): # 訓練的輪數(shù)
count = 0 # 單次訓練識別正確的個數(shù)
for j in range(len(data_list)): # 對60000張圖片開始訓練, 沒有劃分數(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)絡嘛~
target = np.zeros(10)+0.01 # 生成初始標簽集合，用來和結果對比
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) # 丟入訓練，丟入的時候注意將數(shù)據(jù)轉換成0.01~1.0之間的結果
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: # 查看對應位置是否達到自定義的閾值？
count += 1
sum_count += count
string = "訓練進度 %05f\n本輪準確度 %05f\n總準確度 %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)保存方便生成訓練曲線
print(string)
```
接下來我們將結果圖片展示以下吧~
```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
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 = "訓練進度 %05f\n本輪準確度 %05f\n總準確度 %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)絡最基礎的思想！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)絡僅有三層，運算速度并不是十分理想。當然cuda編程對于GPU加速肯定是最好的選擇之一。
到此這篇關于python神經(jīng)網(wǎng)絡編程之手寫數(shù)字識別的文章就介紹到這了,更多相關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)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
在本篇文章里小編給大家整理了關于Python安裝selenium包詳細過程，需要的朋友們可以學習下。2019-07-07
Python調(diào)用Zoomeye搜索接口的實現(xiàn)
本文主要介紹了Python調(diào)用Zoomeye搜索接口的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-01-01
這篇文章主要介紹了python使用nntp讀取新聞組內(nèi)容的方法,實例分析了Python操作nntp讀取新聞組內(nèi)容的相關技巧,需要的朋友可以參考下2015-05-05
這篇文章主要介紹了在Python中處理XML的教程,是Python網(wǎng)絡編程中的基礎知識,需要的朋友可以參考下2015-04-04
詳解python 利用echarts畫地圖(熱力圖)(世界地圖，省市地圖，區(qū)縣地圖)
這篇文章主要介紹了詳解python 利用echarts畫地圖(熱力圖)(世界地圖，省市地圖，區(qū)縣地圖),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-08-08
這篇文章主要介紹了Python多線程編程（四）：使用Lock互斥鎖,本文講解了互斥鎖概念、同步阻塞、代碼示例等內(nèi)容,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了python入門課程第一講之安裝與優(yōu)缺點，本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-09-09
今天小編就為大家分享一篇python科學計算之narray對象用法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要為大家介紹了Python函數(shù)和模塊，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2021-12-12
基本上，在面向對象編程語言中，使用setter和getter方法的主要目的是為了確保數(shù)據(jù)的封裝，這篇文章主要介紹了Python的getter和setter的方法使用詳解,需要的朋友可以參考下2022-12-12