csv文件下载
https://pjreddie.com/projects/mnist-in-csv/
迅雷下载快
参考书籍:《python 神经网络编程》Tariq Rashid 著 林赐译
看两遍就理解神经网络中各种算法了,这隐藏层只有一层,激活函数使用的sigmod, 可以使用别的
看吴恩达讲的神经网络部分没有看很懂,看这个就很理解了,书中对过程讲解非常透彻
可以改变学习率、隐藏层节点个数,世代数(迭代数),激活函数,寻找好的网络,多次试验,避免在梯度下降过程中随机性的影响,迭代次数过多会使模型过拟合,学习率过低也是有害的,限制了梯度下降的速度,使用的步长太小了,对性能造成了损害,也是有道理的。
学习率0.2 世代数为5 - 7,隐藏层节点个数为500 神经网路模型会取得很好的表现
import numpy as np
import scipy.special
import matplotlib.pyplot as plt
import pylab
# 定义神经网络类
class neuralNetwork:
# 初始化神经网络
def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
# 设定输入层,隐藏层,输出层的节点个数
self.inodes = inputnodes
self.hnodes = hiddennodes
self.onodes = outputnodes
# 设置学习率
self.lr = learningrate
# 创建链接权重矩阵 whi,who,即隐藏层输入权重矩阵,隐藏层输出权重矩阵
# self.wih = (np.random.rand(self.hnodes, self.inodes) - 0.5) # (-0.5, 0.5)
# self.wio = (np.random.rand(self.inodes, self.onodes) - 0.5) # (-0.5, 0.5)
# 使用正态分布采样权重,其中平均值为0,标准方差为节点传入链接数目的开方
self.wih = np.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))
self.who = np.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))
# 定义激活函数 sigmod(x)
self.activation_function = lambda x: scipy.special.expit(x)
# 训练神经网络
def train(self, input_list, target_list):
# 将输入列表转化成二维数组
inputs = np.array(input_list, ndmin=2).T
targets = np.array(target_list, ndmin=2).T
# 计算隐藏层输入
hidden_inputs = np.dot(self.wih, inputs)
# 计算隐藏层输出
hidden_outputs = self.activation_function(hidden_inputs)
# 计算输出层输入
final_inputs = np.dot(self.who, hidden_outputs)
# 计算输出层输出
final_outputs = self.activation_function(final_inputs)
# 误差计算 error = (target - actual)
output_errors = targets - final_outputs
# 计算隐藏层误差
hidden_errors = np.dot(self.who.T, output_errors)
# 更新隐藏层和输出层之间的权重矩阵
self.who += self.lr * np.dot((output_errors * final_outputs *
(1.0 - final_outputs)), np.transpose(hidden_outputs))
# 更新输入层和隐藏层之间的权重矩阵
self.wih += self.lr * np.dot((hidden_errors * hidden_outputs *
(1.0 - hidden_outputs)), np.transpose(inputs))
pass
# 测试,查询
def query(self, inputs):
# 计算隐藏层输入
hidden_inputs = np.dot(self.wih, inputs)
# 计算隐藏层输出(经过激活函数)
hidden_outputs = self.activation_function(hidden_inputs)
# 计算输出层的输入
final_inputs = np.dot(self.who, hidden_outputs)
# 计算输出层的输出(经过激活函数)
final_outputs = self.activation_function(final_inputs)
return final_outputs
# 参数
input_nodes = 784
hidden_nodes = 100
output_nodes = 10
learning_rate = 0.1
# 创建神经网络实例
n = neuralNetwork(input_nodes, hidden_nodes, output_nodes, learning_rate)
# 加载训练数据文件
training_data_file = open("mnist_train.csv", 'r')
training_data_file_list = training_data_file.readlines()
training_data_file.close()
# 训练神经网络
for record in training_data_file_list:
# 分离出数据为一个列表/向量
all_values = record.split(',')
# 输入数据预处理
inputs = (np.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
# 取出样本标签, 初始化为全0.01,设置目标标签为0.99
targets = np.zeros(output_nodes) + 0.01
targets[int(all_values[0])] = 0.99
n.train(inputs, targets)
pass
# 加载测试文件
test_data_file = open("mnist_test.csv", 'r')
test_data_file_list = test_data_file.readlines()
test_data_file.close()
scorecard = []
# 测试神经网络
for record in test_data_file_list:
# 分离数据为一个列表/向量
all_values = record.split(',')
# 去除正确的标签
correct_label = int(all_values[0])
inputs = (np.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
# 向神经网络查询标签
outputs = n.query(inputs)
# 取出数值最高的标签
label = np.argmax(outputs)
if label == correct_label:
scorecard.append(1)
else:
scorecard.append(0)
pass
scorecard_array = np.asanyarray(scorecard)
print("performance = ", scorecard_array.sum() / scorecard_array.size)