数字手写体识别python实现（全连接神经网络）

效果展示
向网络输入测试集中‘7’并绘出该输入图，得到10个标签的概率，7对应的标签概率最高，效果很好

全连接神经网络

训练测试集

mnist训练测试集，是一个手写数字识别库，世界上最权威的，美国邮政系统开发的，手写内容是0-9的内容，手写内容采集于美国人口调查局的员工和高中生
本例程中要用到的训练测试集链接：
表格形式（CSV）的mnist训练测试集，大部分电子表格和数据分析软件兼容形式（免费）
包括mnist_test.csv、mnist_train.csv、mnist_test_10.csv、mnist_train_100.csv、mnist_train.csv、mnist_test.csv分别有60000、10000个标记样本集；mnist_test_10.csv、mnist_train_100.csv则只有10条100条记录是上面的子集，在深入研究前我们常用子集验证算法再用完整集

代码说明

1、参考了Python神经网络编程（[英]Tariq Rashid著） 的部分代码
2、class neuralNetwork:包含了初始化，训练，查询3个部分。初始化要初始权重wih(输入层隐藏层连接权重，who隐藏层输出层连接权重),各层的节点个数，激活函数
3、n = neuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate)生成一个网络，input_nodes = 784、hidden_nodes = 200、output_nodes = 10、learning_rate = 0.3为网络参数，其中784=28x28，是输入像素，10是0~9共10个标签
4、循环更新权重，训练网络
for record in training_data_list:
xxxxxxxxxxxxxxx
pass
5、print(n.query((numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01))查询

import numpy
numpy.set_printoptions(suppress=True)
import scipy.special
import matplotlib.pyplot

class neuralNetwork:
    def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate):
        self.inodes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes
        self.lr = learningrate
        self.wih = numpy.random.normal(0.0, pow(self.hnodes,-0.5),(self.hnodes,self.inodes))
        self.who = numpy.random.normal(0.0, pow(self.onodes,-0.5),(self.onodes,self.hnodes))
        self.activation_function = lambda x: scipy.special.expit(x)
        pass
    def train(self,inputs_list,targets_list):
        inputs = numpy.array(inputs_list, ndmin=2).T
        targets = numpy.array(targets_list, ndmin=2).T
        hidden_inputs = numpy.dot(self.wih, inputs)
        hidden_outputs = self.activation_function(hidden_inputs)
        final_inputs = numpy.dot(self.who, hidden_outputs)
        final_outputs = self.activation_function(final_inputs)
        output_errors = targets - final_outputs
        hidden_eerors = numpy.dot(self.who.T,output_errors)
        self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)),numpy.transpose(hidden_outputs))
        self.wih += self.lr * numpy.dot((hidden_eerors * hidden_outputs * (1.0 - hidden_outputs)),numpy.transpose(inputs))
        pass
    def query(self,inputs_list):
        inputs = numpy.array(inputs_list, ndmin=2).T
        hidden_inputs = numpy.dot(self.wih, inputs)
        hidden_outputs = self.activation_function(hidden_inputs)
        final_inputs = numpy.dot(self.who, hidden_outputs)
        final_outputs = self.activation_function(final_inputs)
        return final_outputs
    
input_nodes = 784
hidden_nodes = 200
output_nodes = 10
learning_rate = 0.3

n = neuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate)
training_data_file = open("mnist/mnist_train_100.csv",'r')
training_data_list = training_data_file.readlines()
training_data_file.close()

for record in training_data_list: 
    all_values = record.split(',')
    inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
    targets = numpy.zeros(output_nodes) +0.01
    targets[int(all_values[0])] = 0.99
    n.train(inputs,targets)
    pass

test_data_file = open("mnist/mnist_test_10.csv",'r')
test_data_list = test_data_file.readlines()
test_data_file.close()
all_values = test_data_list[0].split(',')
print(all_values[0])
image_array = numpy.asfarray(all_values[1:]).reshape((28,28))
matplotlib.pyplot.imshow(image_array,cmap='Greys',interpolation='none')
print(n.query((numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01))
matplotlib.pyplot.show()