写到哪儿算哪儿的神经网络基础-5

机器学习一般是训练和推理两个阶段，使用神经网络解决问题也是首先要训练网络，归根结底就是对权重参数的学习；进行推理时，根据训练学习到的参数对输入数据进行分类、预测等等。。。

小试下MNIST手写体分类。关于这个MNIST网上各种资源太多了。

MNIST数据集时0-9的手写体数字图像，训练集6万张，测试集1万张。其图像数据是28*28像素的灰度图（1通道），灰度取值0-255，每张图有label。

简单来说，ML不管什么问题，基本都是读入数据、训练、验证、测试...

直接上代码，看看数据读入：

# coding: utf-8
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)

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
print(img.shape)  # (28, 28)

img_show(img)

在Py代码中，我们调用其他模块（自定义的）的函数需要导入该模块的名字，但是如果调用模块比较多且不在同一个目录下（比如跨文件夹了），这时，导入父级目录的文件是比较方便的。上面代码调用了mnist.py的load_mnist函数。

# coding: utf-8
try:
    import urllib.request
except ImportError:
    raise ImportError('You should use Python 3.x')
import os.path
import gzip
import pickle
import os
import numpy as np


url_base = 'http://yann.lecun.com/exdb/mnist/'
key_file = {
    'train_img':'train-images-idx3-ubyte.gz',
    'train_label':'train-labels-idx1-ubyte.gz',
    'test_img':'t10k-images-idx3-ubyte.gz',
    'test_label':'t10k-labels-idx1-ubyte.gz'
}

dataset_dir = os.path.dirname(os.path.abspath(__file__))
save_file = dataset_dir + "/mnist.pkl"

train_num = 60000
test_num = 10000
img_dim = (1, 28, 28)
img_size = 784


def _download(file_name):
    file_path = dataset_dir + "/" + file_name
    
    if os.path.exists(file_path):
        return

    print("Downloading " + file_name + " ... ")
    urllib.request.urlretrieve(url_base + file_name, file_path)
    print("Done")
    
def download_mnist():
    for v in key_file.values():
       _download(v)
        
def _load_label(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")
    with gzip.open(file_path, 'rb') as f:
            labels = np.frombuffer(f.read(), np.uint8, offset=8)
    print("Done")
    
    return labels

def _load_img(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:
            data = np.frombuffer(f.read(), np.uint8, offset=16)
    data = data.reshape(-1, img_size)
    print("Done")
    
    return data
    
def _convert_numpy():
    dataset = {}
    dataset['train_img'] =  _load_img(key_file['train_img'])
    dataset['train_label'] = _load_label(key_file['train_label'])    
    dataset['test_img'] = _load_img(key_file['test_img'])
    dataset['test_label'] = _load_label(key_file['test_label'])
    
    return dataset

def init_mnist():
    download_mnist()
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

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):
    """读入MNIST数据集
    
    Parameters
    ----------
    normalize : 将图像的像素值正规化为0.0~1.0
    one_hot_label : 
        one_hot_label为True的情况下，标签作为one-hot数组返回
        one-hot数组是指[0,0,1,0,0,0,0,0,0,0]这样的数组
    flatten : 是否将图像展开为一维数组
    
    Returns
    -------
    (训练图像, 训练标签), (测试图像, 测试标签)
    """
    if not os.path.exists(save_file):
        init_mnist()
        
    with open(save_file, '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']) 


if __name__ == '__main__':
    init_mnist()

上面代码load_mnist函数的返回值是（训练图像，训练标签），（测试图像，测试标签），还可以设定三个参数，load_mnist(normalize=True, flatten=True, one_hot_label=False):

Parameters
----------
normalize : 将图像的像素值正规化为0.0~1.0，如果false则保留0~255.
one_hot_label : 
    one_hot_label为True的情况下，标签作为one-hot数组返回，正确解标签为1，其他为0的数组。
    one-hot数组是指[0,0,1,0,0,0,0,0,0,0]这样的数组；为false只有像7，2这样简单保存正确解标签。
flatten : 是否将图像展开为一维数组，true图像保留784个元素构成的一维数组，false则保留原始图像1*28*28的三维数组

Returns
-------

回到理论部分，如何对MNIST数据集实现神经网络的推理处理。输入层有784（图像大小28*28）个神经元，输出为10（0~9个label）个神经元，有两个隐藏层，第一隐藏层有50个神经元，第二隐藏层有100个神经元。其实这50和100可以设定为任意自然数。看下get_data()\init_network()\predict()的定义。

# coding: utf-8
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)))

init_network()会读取保存的sample_weight.pkl文件（学习得到的权重参数，数据类型为字典），对于预测精度的计算使用了predict()去判断每张图片对应0~9的概率，比如输出为[0.1, 0.2, 0.3,...,0.04] 然后使用np.argmax(x)取出数组中最大值的索引。最后，比较神经网络所预测的和真实标签的比例，有一个算一个，if p==t[i] 就自增1。

其实，load_mnist()把normalize设为True，即正则化预处理在神经网络深度学习中非常有用，很多paper已经从实验中证实了这点。预处理会考虑到样本的证题分布，比如，利用数据的整体均值或标准差，移动数据，时得数据整体以0为中心分布，或者把数据的延展控制一定范围0.0~1.0，当然，预处理的方法还有很多，比如白化等等。