Python实现深度学习MNIST手写数字识别（单文件，非框架，无需GPU，适合初学者）

最新推荐文章于 2022-02-23 23:17:59 发布

越野者

最新推荐文章于 2022-02-23 23:17:59 发布

阅读量6.1k

点赞数 2

分类专栏：深度学习（Deep learning） Python MNIST 手写数字识别图像识别数字图像处理、模式识别与深度学习文章标签：深度学习 Python MNIST 手写数字识别图像识别

本文链接：https://blog.csdn.net/discoverer100/article/details/88047658

版权

这篇博客适合深度学习初学者，使用Python 2.x实现MNIST手写数字识别，不依赖任何深度学习框架，且不需要GPU。文章详细介绍了运行环境建议、准备步骤、代码粘贴、运行方法以及可能遇到的问题和解决方案。通过运行提供的代码，可以在终端中观察到识别结果。

摘要由CSDN通过智能技术生成

注：本文根据阿卡蒂奥的Python深度学习博客文章代码进行调整，修复了少量问题，原文地址：https://blog.csdn.net/akadiao/article/details/78175737

1. 运行环境建议

Python 2.x

2. 准备

S1. 创建工程目录，名字自定义。

S2. 在上述工程目录中创建空白源码文件main.py。

S3. 下载MNIST手写数字图像数据集文件 mnist.pkl.gz，这里给出两个下载地址：
https://gitlab.umiacs.umd.edu/tomg/admm_nets/raw/master/data/mnist.pkl.gz
https://raw.githubusercontent.com/mnielsen/neural-networks-and-deep-learning/master/data/mnist.pkl.gz

S4. 将下载的mnist.pkl.gz文件拷贝至S1步骤创建的工程目录下，如下图所示：
在这里插入图片描述

3. 粘贴代码

在main.py中粘贴如下代码，代码中包含了数据读取、图像显示、深度网络等部分：

import cPickle
import gzip
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import random


def load_data():
    f = gzip.open('mnist.pkl.gz', 'rb')
    training_data, validation_data, test_data = cPickle.load(f)
    f.close()
    return (training_data, validation_data, test_data)

def showimage():

    training_set, validation_set, test_set = load_data()

    flattened_images = validation_set[0]

    images = [np.reshape(f, (-1, 28)) for f in flattened_images]

    for i in range(16):
        ax = plt.subplot(4, 4, i+1)
        ax.matshow(images[i], cmap = matplotlib.cm.binary)
        plt.xticks(np.array([]))
        plt.yticks(np.array([]))
    plt.show()


class Network(object):

    def __init__(self, sizes):
        self.num_layers = len(sizes)
        self.sizes = sizes
        self.biases = [np.random.randn(y, 1) fo