神经网络实现手写字体识别

最新推荐文章于 2024-08-26 13:12:24 发布

myourdream2

最新推荐文章于 2024-08-26 13:12:24 发布

阅读量4.1k

点赞数 4

分类专栏： Machine Learning

本文链接：https://blog.csdn.net/myourdream2/article/details/87558008

版权

这篇博客记录了作者在神经网络学习过程中的手写字体识别实践，包括实践代码和运行结果展示，主要涉及前向传播、反向传播、梯度下降和权值更新等关键步骤。

摘要由CSDN通过智能技术生成

神经网络入门学习中，进行了手写字体识别实践，该篇博客用于记录实践代码，以备后续使用。

关键词：神经网络，前向传播、反向传播、梯度下降、权值更新、手写字体识别

1. 实践代码

import numpy as np
from sklearn.datasets import load_digits
from sklearn.preprocessing import LabelBinarizer
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import matplotlib.pyplot as plt

# 载入数据
digits = load_digits()
# 显示图片
for i in range(min(digits.images.shape[0], 2)):
    plt.imshow(digits.images[i], cmap='gray')
    plt.show()

# 数据
X = digits.data
# 标签
y = digits.target

# 定义一个神经网络，结构，64-100-
# 定义输入层到隐藏层之间的权值矩阵
V = np.random.random((64, 100)) * 2 - 1
# 定义隐藏层到输出层之间的权值矩阵
W = np.random.random((100, 10)) * 2 - 1

# 数据切分
# 1/4为测试集，3/4为训练集
X_train, X_test, y_train, y_test = train_test_split(X, y)

# 标签二值化
# 0 -> 1000000000
# 3 -> 0003000000
# 9 -> 0000000001
labels_train = LabelBinarizer(