Python实现bp神经网络识别MNIST数据集
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python实现bp神经网络识别MNIST数据集,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含4707字,纯文字阅读大概需要7分钟。
内容图文
![Python实现bp神经网络识别MNIST数据集](/upload/InfoBanner/zyjiaocheng/1163/d9ae3e09176b4b7189dddf3df4c6e804.jpg)
title: "Python实现bp神经网络识别MNIST数据集"
date: 2018-06-18T14:01:49+08:00
tags: [""]
categories: ["python"]
前言
训练时读入的是.mat格式的训练集,测试正确率时用的是png格式的图片
代码
#!/usr/bin/env python3
# coding=utf-8
import math
import sys
import os
import numpy as np
from PIL import Image
import scipy.io as sio
def sigmoid(x):
return np.array(list(map(lambda i: 1/ (1+ math.exp(-i)), x)))
def get_train_pattern():
# 返回训练集的特征和标签# current_dir = os.getcwd()
current_dir ="/home/lxp/F/developing_folder/intelligence_system/bpneuralnet/"
train = sio.loadmat(current_dir +"mnist_train.mat")["mnist_train"]
train_label = sio.loadmat(
current_dir +"mnist_train_labels.mat")["mnist_train_labels"]
train = np.where(train >180, 1, 0) # 二值化return train, train_label
def get_test_pattern():
# 返回测试集# base_url = os.getcwd() + "/test/"
base_url ="/home/lxp/F/developing_folder/intelligence_system/bpneuralnet/mnist_test/"
test_img_pattern = []
for i inrange(10):
img_url = os.listdir(base_url +str(i))
t = []
for url in img_url:
img = Image.open(base_url +str(i) +"/"+ url)
img = img.convert('1') # 二值化
img_array = np.asarray(img, 'i') # 转化为int数组
img_vector = img_array.reshape(
img_array.shape[0] * img_array.shape[1]) # 展开成一维数组
t.append(img_vector)
test_img_pattern.append(t)
return test_img_pattern
class BPNetwork:
# 神经网络类def__init__(self, in_count, hiden_count, out_count, in_rate, hiden_rate):
""" :param in_count: 输入层数 :param hiden_count: 隐藏层数 :param out_count: 输出层数 :param in_rate: 输入层学习率 :param hiden_rate: 隐藏层学习率 """# 各个层的节点数量self.in_count = in_count
self.hiden_count = hiden_count
self.out_count = out_count
# 输入层到隐藏层连线的权重随机初始化self.w1 =0.2*\
np.random.random((self.in_count, self.hiden_count)) -0.1# 隐藏层到输出层连线的权重随机初始化self.w2 =0.2*\
np.random.random((self.hiden_count, self.out_count)) -0.1# 隐藏层偏置向量self.hiden_offset = np.zeros(self.hiden_count)
# 输出层偏置向量self.out_offset = np.zeros(self.out_count)
# 输入层学习率self.in_rate = in_rate
# 隐藏层学习率self.hiden_rate = hiden_rate
def train(self, train_img_pattern, train_label):
ifself.in_count !=len(train_img_pattern[0]):
sys.exit("输入层维数与样本维数不等")
# for num in range(10):# for num in range(10):for i inrange(len(train_img_pattern)):
if i %5000==0:
print(i)
# 生成目标向量
target = [0] *10
target[train_label[i][0]] =1# for t in range(len(train_img_pattern[num])):# 前向传播# 隐藏层值等于输入层*w1+隐藏层偏置
hiden_value = np.dot(
train_img_pattern[i], self.w1) +self.hiden_offset
hiden_value = sigmoid(hiden_value)
# 计算输出层的输出
out_value = np.dot(hiden_value, self.w2) +self.out_offset
out_value = sigmoid(out_value)
# 反向更新
error = target - out_value
# 计算输出层误差
out_error = out_value * (1- out_value) * error
# 计算隐藏层误差
hiden_error = hiden_value *\
(1- hiden_value) * np.dot(self.w2, out_error)
# 更新w2,w2是j行k列的矩阵,存储隐藏层到输出层的权值for k inrange(self.out_count):
# 更新w2第k列的值,连接隐藏层所有节点到输出层的第k个节点的边# 隐藏层学习率×输入层误差×隐藏层的输出值self.w2[:, k] +=self.hiden_rate * out_error[k] * hiden_value
# 更新w1for j inrange(self.hiden_count):
self.w1[:, j] +=self.in_rate *\
hiden_error[j] * train_img_pattern[i]
# 更新偏置向量self.out_offset +=self.hiden_rate * out_error
self.hiden_offset +=self.in_rate * hiden_error
def test(self, test_img_pattern):
""" 测试神经网络的正确率 :param test_img_pattern[num][t]表示数字num的第t张图片 :return: """
right = np.zeros(10)
test_sum =0for num inrange(10): # 10个数字# print("正在识别", num)
num_count =len(test_img_pattern[num])
test_sum += num_count
for t inrange(num_count): # 数字num的第t张图片
hiden_value = np.dot(
test_img_pattern[num][t], self.w1) +self.hiden_offset
hiden_value = sigmoid(hiden_value)
out_value = np.dot(hiden_value, self.w2) +self.out_offset
out_value = sigmoid(out_value)
# print(out_value)if np.argmax(out_value) == num:
# 识别正确
right[num] +=1print("数字%d的识别正确率%f"% (num, right[num] / num_count))
# 平均识别率print("平均识别率为:", sum(right) / test_sum)
""" def test1: """def run():
# 读入训练集
train, train_label = get_train_pattern()
# 读入测试图片
test_pattern = get_test_pattern()
# 神经网络配置参数
in_count =28*28
hiden_count =6
out_count =10
in_rate =0.1
hiden_rate =0.1
bpnn = BPNetwork(in_count, hiden_count, out_count, in_rate, hiden_rate)
bpnn.train(train, train_label)
bpnn.test(test_pattern)
# 单张测试# 识别单独一张图片,返回识别结果""" while True: img_name = input("输入要识别的图片\n") base_url = "/home/lxp/F/developing_folder/intelligence_system/bpneuralnet/" img_url = base_url + img_name img = Image.open(img_url) img = img.convert('1') # 二值化 img_array = np.asarray(img, 'i') # 转化为int数组 # 得到图片的特征向量 img_v = img_array.reshape(img_array.shape[0] * img_array.shape[1]) # 展开成一维数组 bpnn.test1(img_v) """if__name__=="__main__":
run()
# train, train_label = get_train_pattern()# print(train_label[5][0])# test = get_test_pattern()
数据集下载:
http://ot0ucj3at.bkt.clouddn.com/o_1cg8o6k59muv3fg1kel9qg1i4ca.zip
原文:https://www.cnblogs.com/lepeCoder/p/9195097.html
内容总结
以上是互联网集市为您收集整理的Python实现bp神经网络识别MNIST数据集全部内容,希望文章能够帮你解决Python实现bp神经网络识别MNIST数据集所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。