新手入门推荐书籍:简单好懂易操作:
书中的数据集地址(只是用来测试性能)
测试数据集100个标记样本:
训练数据集10个标记样本
下载方式(谷歌浏览器):
正规的训练集(包含6万个标记样本)
正规测试集(包含1万个标记样本)
一、初始化网络,设置输入层节点,隐藏层节点和输出层节点
import numpy
import scipy.special
import matplotlib.pyplot
class neuralNetwork:
#初始化网络,设置输入层节点,隐藏层节点和输出层节点
def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate):
#设置 每一个输入,隐藏,输出层的节点的数量
self.inodes=inputnodes
self.hnodes=hiddennodes
self.onodes=outputnodes
#学习速率
self.lr=learningrate
# 链接权重矩阵的简单设置方式1,numpy.random.rand创建给定形状的数组,并使用来自均匀分布的随机样本填充它。[0, 1)
# self.wih=(numpy.random.rand(self.hnodes,self.inodes)-0.5)
# self.who=(numpy.random.rand(self.onodes,self.hnodes)-0.5)
# 较复杂形式的权重设置方式,pow(x,y)方法返回(x的y次方)的值。
# numpy.random.normal(loc = 0.0,scale = 1.0,size = None )用来设置正态分布,表示中心位置,大小,尺寸
#wih是输入的初始权重,使用下一层的节点数的开方作为标准方差来初始化权重
self.wih = numpy.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))
#输入层到隐藏层的初始权重
self.who = numpy.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))
#激活函数s,lambda简化了函数定义的书写形式。是代码更为简洁,但是使用函数的定义方式更为直观,易理解。
self.activation_function=lambda x:scipy.special.expit(x)
pass
二、训练网络
def tarin(self,inputs_list,targets_list):
#.T表示将矩阵转置
#ndmin指定结果数组应具有的最小维数。为满足此要求,将根据需要预先设置形状。
inputs = numpy.array(inputs_list, ndmin=2).T
targets=numpy.array(targets_list,ndmin=2).T
# 计算输入到隐藏层的信号
hidden_inputs = numpy.dot(self.wih, inputs)
# 计算从隐藏层输出的信号,使用激活函数
hidden_outputs = self.activation_function(hidden_inputs)
# 计算输出到最终输出层的信号
final_inputs = numpy.dot(self.who, hidden_outputs)
# 计算从最终输出层输出的信号
final_outputs = self.activation_function(final_inputs)
#输出层的误差是(目标-实际)
output_errors=targets-final_outputs
#隐藏层的误差
hidden_errors=numpy.dot(self.who.T,output_errors)
#更新隐藏层和输出层的链接权重
self.who+=self.lr*numpy.dot((output_errors*final_outputs*(1.0-final_outputs)),numpy.transpose(hidden_outputs))
# 更新输入层和隐藏层的链接权重
self.wih+=self.lr*numpy.dot((hidden_errors*hidden_outputs*(1.0-hidden_outputs)),numpy.transpose(inputs))
pass
三、查询网络(输入列表,转化正矩阵后得到最终输出层的结果)
注意:编码神经网络时,将使用数组来表示输入信号、权重和输出信号的矩阵,训练神经网络的过程中有两个阶段:
1.计算输出,也就是query()所做的工作,输入列表,转化正矩阵后得到最终输出层的结果
2.反向传播误差,告知如何优化链接权重
def query(self,inputs_list):
# 将输入列表转化为2d矩阵
inputs=numpy.array(inputs_list, ndmin=2).T
#计算输入到隐藏层的信号
hidden_inputs=numpy.dot(self.wih, inputs)
#计算从隐藏层输出的信号
hidden_outputs=self.activation_function(hidden_inputs)
#计算输出到最终输出层的信号
final_inputs=numpy.dot(self.who,hidden_outputs)
#计算从最终输出层输出的信号
final_outputs=self.activation_function(final_inputs)
return final_outputs
四、正式开始训练,测试网络的性能
这一段代码书上解释的很详细,我懒得打了
image_array=numpy.asfarray(all_values[1:]).reshape((28,28))
matplotlib.pyplot.imshow(image_array,cmap=‘Greys’,interpolation=‘None’)
关于学习率的大小,这是凭经验来决定的,你也可以自己来调整,但不是越大越好,也不是越小越好,多次测试可以得出较好的学习率,比如学习率我改成0.1的话,性能得分就会提升到0.952,我们把一次训练称为一个世代,多次训练是有益的,比如我们训练10次,它的性能结果会提升,但是也不宜过多,不然容易造成网络过度拟合训练数据,因此网络在先前没有见到过的新数据上表现不佳。
#创建一个每层三个节点,学习率为0.5的小型神经网络对象
input_nodes=784#这是28*28的结果,即组成手写数字图像的像素个数
hidden_nodes=100#选择100个隐藏节点不是固定的,最好比输入节点小,这样可以迫使网络总结出特点,
# 但也不能太小,因为太少使网络难以找到足够的特征或模式,没有办法找到最好的,只能通过不断改进实验,得到最佳隐藏节点
output_nodes=10#因为有10个标签
learning_rate=0.3(0.2,0.1....根据你自己来调整吧)
#创造神经网络的对象
n =neuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate)
# n.query({1.0,0.5,-1.5})
#将训练集文件导入成列表
training_data_file=open("mnist_train.csv",'r')#这里可以先用只有100个训练集的样本进行测试,等到运行成功再用正规数据集
training_data_list=training_data_file.readlines()
training_data_file.close()
# print(len(data_list))
# print(data_list[0])
#训练神经网络
for record in training_data_list:
all_values=record.split(',')#根据,号将标记数字分隔开
#缩小并且转换输入
# 这一步是将0-255范围的原始输入值的范围变成0.01到0.99
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.tarin(inputs, targets)
pass
# print(scaled_input)
#测试网络
test_data_file=open('mnist_test.csv','r')#这里可以先用只有10个的训练集来测试
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')
matplotlib.pyplot.show()
#将除了第一个数字以外的其他数字转换成数组并且缩小尺度
print(n.query((numpy.asfarray(all_values[1:])/255.0*0.99)+0.01))
#scorecard用来记录网络的表现,初始为空
scorecard=[]
#遍历测试数据集中的所有记录
for record in test_data_list:
all_values=record.split(',')
correct_label=int(all_values[0])
print(correct_label,"correct label")
#缩小并且转换输入
inputs=(numpy.asfarray(all_values[1:])/255.0*0.99)+0.01
outputs=n.query(inputs)
label=numpy.argmax(outputs)
print(label,"network's answer")
if(label==correct_label):
scorecard.append(1)
else:
scorecard.append(0)
pass
print(scorecard)
#打印出表现得分
scorecard_array=numpy.asarray(scorecard)
print("performance=",scorecard_array.sum()/scorecard_array.size)
结果:
这里是用60000个标记集训练,和10000个测试集测试的结果,准确率是0.9448
如果只用100个标记集训练,10个测试,结果只有0.6,可以看出,训练集数量的重要性了吧