對于深度學習來說，手寫數字識别和編程語言第一程式打印hello word應該屬于一個級别的了，下面先看下手寫數字識别的網絡會是什麼樣子，然後以此學習幾個概念。
MNIST 數據集見上文深度學習入門初探——hello word式的手寫數字識别一
2 手寫數字識别的推理處理推理處理呢也稱為神經網絡的前向傳播，這裡假設訓練已經結束，神經網絡是個現成的，存儲在sample_weight.pkl這個文件中。來看看這個網絡是個什麼樣子哈。
數據的加載上一節已經介紹過了，現在來看看sample_weight.pkl這個網絡所呈現的樣子：
a、輸入數據是是28*28像素的灰度圖，shape成一維的就是784個數據。
b、輸入層的神經元和數據一緻，784個神經元。産生了50個特征，這個50是可以設計的。
c、接下來的一層為了和輸入層産生的輸出，這個就必須是50個神經元了，産生了100個特征，也是可以設計的。
d、輸出層就隻能是100個神經元了，因為這一層就要輸出最終結果了，隻能是10了，意即0-9共10個類别。
關于激活每一層的激活函數以及最後的softmax函數可參見下面兩節的實現，獨熱碼在這裡利于概率化的輸出：
深度學習入門初探——簡單的激活函數
深度學習入門初探——多層感知機的神經網絡式實現
# coding: utf-8
import sys, os
sys.path.append(os.pardir)
import numpy as np
import pickle
from common.functions import sigmoid, softmax
def _change_one_hot_label(X):
T = np.zeros((X.size, 10))
for idx, row in enumerate(T):
row[X[idx]] = 1
return T
def load_mnist(normalize=True, flatten=True, one_hot_label=False):
"""讀入MNIST數據集
Parameters
----------
normalize : 将圖像的像素值正規化為0.0~1.0
one_hot_label :
one_hot_label為True的情況下，标簽作為one-hot數組返回
one-hot數組是指[0,0,1,0,0,0,0,0,0,0]這樣的數組
flatten : 是否将圖像展開為一維數組
Returns
-------
(訓練圖像, 訓練标簽), (測試圖像, 測試标簽)
"""
with open("mnist.pkl", 'rb') as f:
dataset = pickle.load(f)
if normalize:
for key in ('train_img', 'test_img'):
dataset[key] = dataset[key].astype(np.float32)
dataset[key] /= 255.0
if one_hot_label:
dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
if not flatten:
for key in ('train_img', 'test_img'):
dataset[key] = dataset[key].reshape(-1, 1, 28, 28)
return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label'])
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
return x_test, t_test
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
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
np.set_printoptions(formatter={'float': '{: 0.9f}'.format})
x, t = get_data()
network = init_network()
print("\n\n輸入數據的維度 :",x[0].shape, "\n")
print("輸入層的神經元 w b :",network['W1'].shape, " ",network['b1'].shape, "\n")
print("隐藏層的神經元 w b :",network['W2'].shape, " ",network['b2'].shape, "\n")
print("輸出層的神經元 w b :",network['W3'].shape, " ",network['b3'].shape, "\n")
y = predict(network, x[0])
print("預測的輸出softmax概率:\n",y, "\n")
p= np.argmax(y)
print("預測的結果: ",p, "\n", "\n", "\n")
神經網絡的輸入不是一個個圖像了，而是多個圖像，上圖中輸入數據的維度就是[batch_size,784]，矩陣乘法的規則這個batch_size是一直傳遞下去的，這裡注意下，結果數據在取最大值索引時的維度即可。
這個批的大小跟在計算機系統的内存和算力很大關系，同時在訓練的過程中批處理也有很多好處的，這個後面遇到了再學習。
# coding: utf-8
import sys, os
sys.path.append(os.pardir)
import numpy as np
import pickle
from common.functions import sigmoid, softmax
def _change_one_hot_label(X):
T = np.zeros((X.size, 10))
for idx, row in enumerate(T):
row[X[idx]] = 1
return T
def load_mnist(normalize=True, flatten=True, one_hot_label=False):
with open("mnist.pkl", 'rb') as f:
dataset = pickle.load(f)
if normalize:
for key in ('train_img', 'test_img'):
dataset[key] = dataset[key].astype(np.float32)
dataset[key] /= 255.0
if one_hot_label:
dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
if not flatten:
for key in ('train_img', 'test_img'):
dataset[key] = dataset[key].reshape(-1, 1, 28, 28)
return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label'])
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
return x_test, t_test
def init_network():
with open("sample_weight.pkl", 'rb') as f:
network = pickle.load(f)
return network
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
x, t = get_data()
network = init_network()
batch_size = 100 # 批數量
accuracy_cnt = 0
for i in range(0, len(x), batch_size):
x_batch = x[i:i batch_size]
y_batch = predict(network, x_batch)
p = np.argmax(y_batch, axis=1)
accuracy_cnt = np.sum(p == t[i:i batch_size])
print("Accuracy:" str(float(accuracy_cnt) / len(x)))
更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!
zpostcode 
Recruit 
weather 
mreligion 
Yellowpages 
sport 
constellation 
shopping 
name 
game 
directory 
literature 
Word 
tour 
furnish 
Lottery 
tftnews 
lyrics 
News 
digital 
car 
dir 
Edu 
Finance 
