# python三层神经网络构建 识别手写数字

保存一下我简短学习的神经网络（只是最最最基础的那种三层的神经网络而已）。

功能：训练、识别手写数字，统计正确率。

！里面用到的训练集和测试集是网上下载的，如果有需要可以私聊我。。。。因为我不知道怎么传文件？？？？

 

# 神经网络构建 识别手写数字

import numpy
import scipy.special
import scipy.misc
import matplotlib.pyplot

# 神经网络定义
class neuralNetwork:
    # 初始化神经网络参数
    def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
        # 输入层、隐藏层、输出层的结点个数
        self.inodes = inputnodes    # 输入层节点个数
        self.hnodes = hiddennodes   # 隐藏层节点个数
        self.onodes = outputnodes   # 输出层节点个数

        # 学习率
        self.lr = learningrate

        # 权值矩阵
        self.wih = (numpy.random.rand(self.hnodes, self.inodes) - 0.5)  # 输入层与隐藏层之间权值
        self.who = (numpy.random.rand(self.onodes, self.hnodes) - 0.5)  #隐藏层与输出层之间权值
        '''正态分布采样权重
        self.win = 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))
        '''
        # S函数
        self.activation_function = lambda x: scipy.special.expit(x) # lambda为快速创建函数，x为参数，返回scipy.special.expit(x)
        pass

    # 训练神经网络
    def train(self, inputs_list, targets_list):
        inputs = numpy.array(inputs_list, ndmin=2).T    # 将输入数据转换为列矩阵
        targets = numpy.array(targets_list, ndmin=2).T  # 将正确答案转换为列矩阵

        hidden_inputs = numpy.dot(self.wih, inputs)     # 隐藏层输入为权值矩阵与输入矩阵的乘积
        hidden_outputs = self.activation_function(hidden_inputs)    # 隐藏层输出 经过S函数变换

        final_inputs = numpy.dot(self.who, hidden_outputs)  # 输出层输入为权值矩阵与隐藏层输出矩阵的乘积
        final_outputs = self.activation_function(final_inputs)  # 输出层输出 经过S函数变换

        output_errors = targets - final_outputs     # 输出结果与正确答案误差

        hidden_errors = numpy.dot(self.who.T, output_errors)    # 隐藏层误差为 权值矩阵的转职与输出误差矩阵的乘积

        self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)),    # 根据误差更新权值矩阵
                                        numpy.transpose(hidden_outputs))

        self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)),
                                        numpy.transpose(inputs))

        pass

    # 查询
    def query(self, inputs_list):
        inputs = numpy.array(inputs_list, ndmin=2).T    # 将输入数据转为输入矩阵

        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    # 返回最后结果
        pass


# 神经网络初始化
input_nodes = 784
hidden_nodes = 100
output_nodes = 10
learning_rate = 0.2

n = neuralNetwork(input_nodes, hidden_nodes, output_nodes, learning_rate)   # 新建神经网络

#准备训练
training_data_file = open("mnist_train.csv", 'r')   # 打开训练文件
training_data_list = training_data_file.readlines()    # 存训练数据
training_data_file.close()

for record in training_data_list:   # 遍历训练数据
    all_values = record.split(',')  # 以，分割数据
    inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01 # 为保证输出在0-1，将输入数据范围优化在0.01-1之间
    targets = numpy.zeros(output_nodes) + 0.01
    targets[int(all_values[0])] = 0.99  # 将正确答案位置设为0.99，其他位置为0.01
    n.train(inputs, targets)    # 训练
    pass

'''***********************************测试输出正确率******************************
# 输出正确数字
test_data_file = open("mnist_test.csv", 'r')        # 打开测试数据文件
test_data_list = test_data_file.readlines()
test_data_file.close()
all_values = test_data_list[0].split(',')
print(all_values[0])

# 输出像素点组成的图片
image_array = numpy.asfarray(all_values[1:]).reshape((28,28))
#image_array = scipy.misc.imread("1.png", flatten=True)
#img_data = 255.0 - image_array.reshape(784)
#img_data = (img_data / 255.0 * 0.99) + 0.01
matplotlib.pyplot.imshow(image_array , cmap='Greys', interpolation='None')
matplotlib.pyplot.show()

# 查询结果
n.query((numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01) # 操作一波让输入在0—1之间
print(n.query((numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01))  # 输出神经网络判断结果

#记录正确率
scorecard = []

for record in test_data_list:   # 循环测试数组
    all_values = record.split(',')  # 分割数据
    correct_label = int(all_values[0])  # 记录正确数据，即第一个数字
 #   print(correct_label, "correct label")

    inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01 # 输入数据
    outputs = n.query(inputs)   #输出查询结果
    label = numpy.argmax(outputs)   # 经过神经网络判断得到的数字
#    print(label, "network's answer")

    if(label == correct_label): # 如果判断结果与正确数据相同，记录1
        scorecard.append(1)
    else:                       # 如果判断错误，记录0
        scorecard.append(0)

# 输出正确率
scorecard_array = numpy.asarray(scorecard)
print("正确率=", scorecard_array.sum() / scorecard_array.size)
'''