MINIST手写识别（前向传播的python实现）
144 浏览量
2020-12-22
02:16:56
上传
评论
收藏 52KB PDF 举报
MINIST手写识别（前向传播的手写识别（前向传播的python实现）实现）
目录目录数据集的读取神经网络的推理批处理
数据集的读取数据集的读取
以“(训练图像,训练标签)，(测试图像，测试标签)”的形式读入的MNIST数据
import sys, os
sys.path.append(os.pardir) # 为了导入父目录中的文件而进行的设定
from dataset.mnist import load_mnist
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
# flatten：设置 是否展开输入图像（变成一维数组）
# normalize：设置是否将输入图像正规化为0.0～1.0的值。如果将该参数设置 为False，则输入图像的像素会保持原来的0～
255
# one_hot_label设置是否将标签保存为onehot表示（one-hot representation）。 one-hot表示是仅正确解标签为1，其余 皆为
0的数组，就像[0,0,1,0,0,0,0,0,0,0]这样。当one_hot_label为False时， 只是像7、2这样简单保存正确解标签；当
one_hot_label为True时，标签则 保存为one-hot表示。
#在学习权重参数时，读数据集标签时需要用onehot格式的标签
显示某个样本图像
import numpy as np
from PIL import Image #为了显示图像
img = x_train[0] label = t_train[0] img = img.reshape(28, 28) #前面读取为一维数组，所以要reshape
def img_show(img):
pil_img = Image.fromarray(np.uint8(img))
pil_img.show() #把NumPy数组中图像数据-->为PIL用的数据对象
img_show(img)
神经网络的推理神经网络的推理
输入层2828
个神经元（对应每个
2828个像素）
输出层10个神经元（10个类别）
两个隐层分别50，100个神经元（随便指定的）
神经网络的模型（学习到的权重参数）存储在pickle文件中
pickle模块同样是为了永久存储，存成字典的样式，其可以对小数据量进行存储，pickle可以将对象数据压到一个文件中，永
久保存。这样在取用时，只需将该文件中的数据取出。而不是每次都重新进过各种语句，处理得到对象数据。
存成pickle：pickle.dump（obj,file,protocal） #obj是个字典
读取pickle：pickle.load(file)
读取训练集（注意它只返回了训练集）
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
#读取的时候对数据进行了预处理，正规化
return x_test, t_test
读取模型
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
预测样本（得到输出的十维矩阵）
def predict(network, x):
W1, W2, W3 = network['W1'], network['W2'], network['W3'] b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = np.dot(x, W1) + b1
z1 = sigmoid(a1)
a2 = np.dot(z1, W2) + b2
z2 = sigmoid(a2)
a3 = np.dot(z2, W3) + b3
y = softmax(a3)
return y
推理主函数
x, t = get_data()
network = init_network()
accuracy_cnt = 0 #计算正确的个数
weixin_38748210
- 粉丝: 4
- 资源: 928
评论0