python神經網絡編程之手寫數字識別
寫在之前
首先是寫在之前的一些建議：
首先是關於這本書，我真的認為他是將神經網絡裡非常棒的一本書，但你也需要註意，如果你真的想自己動手去實現，那麼你一定需要有一定的python基礎，並且還需要有一些python數據科學處理能力
然後希望大傢在看這邊博客的時候對於神經網絡已經有一些瞭解瞭，知道什麼是輸入層，什麼是輸出層，並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；
然後介紹一下本篇博客的環境等：
語言:Python3.8.5
環境:jupyter
庫文件: numpy | matplotlib | scipy
一、代碼框架
我們即將設計一個神經網絡對象，它可以幫我們去做數據的訓練，以及數據的預測，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，我們希望這個神經網絡僅有三層，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。那麼我們需要知道我們輸入層、隱藏層和輸出層的節點個數；訓練函數，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網絡
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
input_nodes = 784 # 輸入層的節點數 hidden_nodes = 88 # 隱藏層的節點數 output_nodes = 10 # 輸出層的節點數 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\神經網絡數字識別\mnist_train.csv", 'r')
data_list = data_file.readlines()
data_file.close()
file2 = open("E:\sklearn_data\神經網絡數字識別\mnist_test.csv")
answer_data = file2.readlines()
file2.close()
這裡需要介紹以下這個數據集，訓練集在這裡，測試集在這裡
三、框架的開始
def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
self.inodes = inputnodes # 輸入層節點設定
self.hnodes = hiddennodes # 影藏層節點設定
self.onodes = outputnodes # 輸出層節點設定
self.lr = learningrate # 學習率設定，這裡可以改進的
self.wih = (np.random.normal(0.0, pow(self.hnodes, -0.5),(self.hnodes, self.inodes))) # 這裡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))) # 這裡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
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據
hidden_inputs = np.dot(self.wih, inputs) # 隱藏層計算，說白瞭就是線性代數中的矩陣的點積
hidden_outputs = self.activation_function(hidden_inputs) # 將隱藏層的輸出是經過sigmoid函數處理
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據
這裡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點是10個，對應的是十個數字。
而為什麼會通過神經網絡能達到這個亞子，我推薦這本書深度學習的數學 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，那麼接下來就是如何去構建訓練模型瞭。
def train(self, inputs_list, targets_list):
# 前期和識別過程是一樣的，說白瞭我們與要先看看現在的預測結果如何，隻有根據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
# 得到我們的數據預測的誤差，這個誤差將是向前反饋的基礎
output_errors = targets - final_outputs
# 這部分是根據公式得到的反向傳播參數
hidden_errors = np.dot(self.who.T, output_errors)
# 根據我們的反饋參數去修改兩個權重
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網絡構建完成瞭。
五、手寫數字的識別
接下來神經網絡是完成的，那麼我們究竟該如何去將數據輸入呢？
csv文件我們並不陌生【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現他的第一個數字都是0~9，說明是我們的標簽，那麼後面的應該就是圖像瞭，通過瞭解我們知道這個後面的數據是一個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)) # 將數據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字是什麼：
很好，知道這裡就足夠瞭，那麼我們接下來就是將這些數據傳入瞭！
我們在訓練的時候，需要將他們都轉化成數字列表，方便處理
data = [] # 用來保存訓練過程的數據
sum_count = 0 # 統計總識別的正確的個數
for i in range(15): # 訓練的輪數
count = 0 # 單次訓練識別正確的個數
for j in range(len(data_list)): # 對60000張圖片開始訓練, 沒有劃分數據集的過程主要是別人直接給瞭，我也懶得自己去做瞭，主要就是展示一下神經網絡嘛~
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(',') # 對每一行的數據處理切割
imagearray = np.asfarray(line_) # 將切割完成的數據轉換成數字列表
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，丟入的時候註意將數據轉換成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))]) # 將數據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網絡
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
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\神經網絡數字識別\mnist_train.csv", 'r')
data_list = data_file.readlines()
data_file.close()
file2 = open("E:\sklearn_data\神經網絡數字識別\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，但卻是包含著神經網絡最基礎的思想！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？相較於darknet這個神經網絡僅有三層，運算速度並不是十分理想。當然cuda編程對於GPU加速肯定是最好的選擇之一。
到此這篇關於python神經網絡編程之手寫數字識別的文章就介紹到這瞭,更多相關python手寫數字識別內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！
推薦閱讀：
- tensorflow2.0實現復雜神經網絡(多輸入多輸出nn，Resnet)
- Python通過樸素貝葉斯和LSTM分別實現新聞文本分類
- PyTorch實現MNIST數據集手寫數字識別詳情
- 基於Tensorflow搭建一個神經網絡的實現
- 使用Python處理KNN分類算法的實現代碼