neuralnet_mnist 神经网络推理处理 完全解析

# coding: utf-8
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 pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax

def get_data():
    (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    return x_test, t_test#load_mnist读取MNIST数据返回（训练图像，训练标签)，（测试图像，测试标签）
#Pickle将对象转换为可以传输或存储的格式
def init_network():
    with open("sample_weight.pkl", 'rb') as f:#读取权重参数文件
        network = pickle.load(f)#加载权重参数(反序列化)
    return network
#X:787  W1:784*50  W2:50*100 W3:100*10
def predict(network, x):
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']
# b1:50   b2:100   b3:10
    a1 = np.dot(x, W1) + b1#np.dot:点积(x点积W1+b1)
    z1 = sigmoid(a1)#signoid函数
    a2 = np.dot(z1, W2) + b2#np.dot:点积
    z2 = sigmoid(a2)#signoid函数
    a3 = np.dot(z2, W3) + b3#np.dot:点积
    y = softmax(a3)#softmax函数

    return y

x, t = get_data()#读取MNIST数据返回   x（训练图像，训练标签)，t（测试图像，测试标签）
network = init_network()#加载权重参数(反序列化) netowrk
accuracy_cnt = 0
for i in range(len(x)):
    y = predict(network, x[i])#计算出结果十个
    p= np.argmax(y) # 获取概率最高的元素的索引
    if p == t[i]:#测试结果与标签结果一致说明识别正确
        accuracy_cnt += 1#数量加以
#打印识别率   正确数/总数
print("Accuracy:" + str(float(accuracy_cnt) / len(x)))

Accuracy:0.9352

注释：sample_weight.pkl文件随后上传