神经网络学习（手写数据集）实现基于数值微分求权重和偏置梯度的过程【此方式运行速度极慢，后续的反向误差传播方法计算梯度更快】

代码如下：【代码下面是分析】

# -*- coding: utf-8 -*-
"""
Created on Thu Oct 20 16:32:17 2022

@author: w'h'n
"""
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 matplotlib.pyplot as plt
from ch03.dataset.mnist import load_mnist

#激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))    

#激活函数的导数
def sigmoid_grad(x):
    return (1.0 - sigmoid(x)) * sigmoid(x)
#相当于求概率，哪个概率大，就预测结果为概率大的索引
def softmax(x):
    if x.ndim == 2:
        x = x.T
        x = x - np.max(x, axis=0)
        y = np.exp(x) / np.sum(np.exp(x), axis=0)
        return y.T 

    x = x - np.max(x) # 溢出对策
    return np.exp(x) / np.sum(np.exp(x))
#交叉熵误差
def cross_entropy_error(y, t):
    
    if y.ndim == 1:
        t = t.reshape(1, t.size)
        y = y.reshape(1, y.size)
        #print('y:',y)
    # 监督数据是one-hot-vector的情况下，转换为正确解标签的索引
    if t.size == y.size:
        t = t.argmax(axis=1)
       # print('t:',t)    
    batch_size = y.shape[0] 
 
    #print('y.shape[0]:',y.shape[0])
    #print('y[np.arange(batch_size), t]:',y[np.arange(batch_size), t])
    return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size

def _numerical_gradient_no_batch(f, x):
    h = 1e-4 # 0.0001
    grad = np.zeros_like(x)
    
    for idx in range(x.size):
        tmp_val = x[idx]
        x[idx] = float(tmp_val) + h
        fxh1 = f(x) # f(x+h)
        
        x[idx] = tmp_val - h 
        fxh2 = f(x) # f(x-h)
        grad[idx] = (fxh1 - fxh2) / (2*h)
        
        x[idx] = tmp_val # 还原值
        
    return grad

#梯度，数值微分
def numerical_gradient(f, X):
    if X.ndim == 1:
        return _numerical_gradient_no_batch(f, X)
    else:
        grad = np.zeros_like(X)
        
        for idx, x in enumerate(X):
            grad[idx] = _numerical_gradient_no_batch(f, x)
        
        return grad

#数据
class TwoLayerNet:

    def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
        # 初始化权重
        self.params = {}
        self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
        self.params['b1'] = np.zeros(hidden_size)
        self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
        self.params['b2'] = np.zeros(output_size)

    def predict(self, x):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
    
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        
        return y
        
    # x:输入数据, t:监督数据
    def loss(self, x, t):
        y = self.predict(x)
        
        return cross_entropy_error(y, t)
    
    def accuracy(self, x, t):
        y = self.predict(x)
        y = np.argmax(y, axis=1)
        t = np.argmax(t, axis=1)
        
        accuracy = np.sum(y == t) / float(x.shape[0])
        return accuracy
        
    # x:输入数据, t:监督数据
    def numerical_gradient(self, x, t):
        loss_W = lambda W: self.loss(x, t)
        
        grads = {}
        grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
        grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
        grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
        grads['b2'] = numerical_gradient(loss_W, self.params['b2'])
        
        return grads
    ##反向误差传播法 
    '''def gradient(self, x, t):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
        grads = {}
        
        batch_num = x.shape[0]
        
        # forward
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        
        # backward
        dy = (y - t) / batch_num
        grads['W2'] = np.dot(z1.T, dy)
        grads['b2'] = np.sum(dy, axis=0)
        
        da1 = np.dot(dy, W2.T)
        dz1 = sigmoid_grad(a1) * da1
        grads['W1'] = np.dot(x.T, dz1)
        grads['b1'] = np.sum(dz1, axis=0)

        return grads'''

# 读入数据

1、加载数据集（以字典的形式存放数据）
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, one_hot_label=True)

network = TwoLayerNet(input_size = 784, hidden_size=100 , output_size=10, weight_init_std=0.01)

iters_num = 10000  # 适当设定循环的次数
train_size = x_train.shape[0]

2、随机选择批数据（100批）
batch_size = 100
learning_rate = 0.1

train_loss_list = []
train_acc_list = []
test_acc_list = []

iter_per_epoch = max(train_size / batch_size, 1)

for i in range(iters_num):
    batch_mask = np.random.choice(train_size, batch_size)
    x_batch = x_train[batch_mask]
    t_batch = t_train[batch_mask]
    
    # 计算梯度
    grad = network.numerical_gradient(x_batch, t_batch)
    #grad = network.gradient(x_batch, t_batch)
    
    # 更新参数
    for key in ('W1', 'b1', 'W2', 'b2'):
        network.params[key] -= learning_rate * grad[key]
    
    loss = network.loss(x_batch, t_batch)
    train_loss_list.append(loss)
    
    if i % iter_per_epoch == 0:
        train_acc = network.accuracy(x_train, t_train)
        test_acc = network.accuracy(x_test, t_test)
        train_acc_list.append(train_acc)
        test_acc_list.append(test_acc)
        print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))

# 绘制图形
markers = {'train': 'o', 'test': 's'}
x = np.arange(len(train_acc_list))
plt.plot(x, train_acc_list, label='train acc')
plt.plot(x, test_acc_list, label='test acc', linestyle='--')
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='lower right')
plt.show()

1、加载数据集（以字典的形式存放数据）

2、随机选择批数据（100批）

3、进行类参数初始化（设置输入层数量、隐含层的权重和偏置、输出层数量、学习率）

4、以批数据遍历

5、调用类方法求梯度network.numerical_gradient(实参：训练数据、one_hot正确解标签)——（1）传给梯度函数numerical_gradient（实参：损失函数、权重/或偏置）——（2）改变权重/或偏置的值（此时起初的类参数初始化的权重/或偏置已经发生变化），这会影响训练数据和one_hot正确解标签的计算——（3）转到损失函数loss(实参：训练数据即输入神经元、正确解标签)【代码以lambda的形式】——（4）转到predict（）函数将输入神经元数据和权重、偏置以矩阵运算形式进行神经网络的计算，返回预测概率（100,10）——（5）转到交叉熵误差函数cross_entropy_error(实参：预测概率、正确解标签（100,10））这里计算的是单个数据的平均交叉熵误差，返回一个误差值——（6）这个误差值一直返回给损失函数，再一次改变权重/或偏置的值计算一个误差值返回给损失函数——（7）两个误差值进行数值微分求梯度，返回梯度值给梯度函数numerical_gradient（）传进字典中，接着返回给类方法求梯度函数network.numerical_gradient（）——（8）依次更新权重和偏置的梯度——（9）进行输入神经元数据与权重偏置参数的矩阵运算，跟one_hot正确解求误差，放进训练数据误差列表中——（10）当达到训练完一批数据时，调用类计算准确率方法计算训练数据和测试数据的准确率。