小白学习ing
前言
非常简单的深度学习小实践,没有用框架,仅使用简单的Python。
参考书籍《深度学习入门:基于Python的理论与实现》
一、神经网络学习与实践
1. 学习
训练数据进行权重参数的学习
2. 推理
使用学习到的参数,对输入数据进行分类
二、手写数字识别
1、读入mnist数据集(学习)
- mnist手写数字图像集是著名的数据集之一。图像数据是28像素×28像素的灰度图像,每个图像都有对应其数字的标签。
- python脚本mnist.py支持将下载的mnist数据集转化成numpy数组,用mnist.py中的load_mnist()函数轻松读入mnist数据。这里的mnist.py在父目录文件中。
-
load_mnist()函数的三个参数
- 1.normalize将输入图像正规化为0.0~1.0的值,可以实现输入数据的预处理
- 2.flatten保存为一维数组
- 3.one_hot_label保存为one-hot编码
- python的pickle功能
- 第一次加载保存为pickle文件,在第2次及以后读入时,可以高效读入
- 学习到的参数权重保存在pkl文件中,推理阶段可以直接加载
import sys, os
sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定
import numpy as np
from dataset.mnist import load_mnist
from PIL import Image
def img_show(img):
pil_img = Image.fromarray(np.uint8(img))
pil_img.show()
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
# (训练图像,训练标签),(测试图像,测试标签)
img = x_train[0]
label = t_train[0]
print(label) # 5
print(img.shape) # (784,)
img = img.reshape(28, 28) # 把图像的形状变为原来的尺寸。reshape()更改Numpy数组的形状
print(img.shape) # (28, 28)
img_show(img)
2、神经网络的推理
get_data()函数:获取测试图像和标签
init_network()函数:从pkl文件中获取学习到的权重参数
predict()函数:搭建神经网络
目标: 计算识别的准确度
import sys, os
sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定
import numpy as np
import pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax
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()
accuracy_cnt = 0
for i in range(len(x)):
y = predict(network, x[i])
p= np.argmax(y) # 获取概率最高的元素的索引
if p == t[i]:
accuracy_cnt += 1
print("Accuracy:" + str(float(accuracy_cnt) / len(x)))
改进→批处理
输入数据的集合称为批。通过以批为单位进行推理处理,能够实现高速的运算。
x, t = get_data()
network = init_network()
batch_size = 100 # 批数量
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)))