在實現(xiàn)對手寫數(shù)字圖像的分類，可以先假設學習已經(jīng)全部結(jié)束，我們使用學習到的參數(shù)，先實現(xiàn)神經(jīng)網(wǎng)絡的“推理處理”。該處理也稱為神經(jīng)網(wǎng)絡的前向傳播。

和求解機器學習問題的步驟(分成學習和推理兩個階段進行)一樣
使用神經(jīng)網(wǎng)絡解決問題時，也需要首先使用訓練數(shù)據(jù)(學習數(shù)據(jù))進行權重參數(shù)的學習;進行推理時，使用剛才學習到的參數(shù)，對輸入數(shù)據(jù)進行分類。

MNIST數(shù)據(jù)集
MNIST是機器學習最有名的數(shù)據(jù)集之一，被應用于從簡單的實驗到發(fā)表的論文研究等各種場合，在閱讀圖像識別或機器學習的論文時，MNIST數(shù)據(jù)集經(jīng)常作為實驗用的數(shù)據(jù)出現(xiàn)。
MINIST數(shù)據(jù)集是由0到9的數(shù)字圖像構成的，MNIST數(shù)據(jù)集的使用方法是，先用訓練圖像進行學習，再用學習到的模型度量能在多大程度上對測試圖像進行正確的分類。

MNIST的圖像數(shù)據(jù)是28像素 x 28像素的灰度圖像(1通道)，各個像素的取值在0到255之間。每個圖像數(shù)據(jù)都相應地標有“7”“2”“1”等標簽

這里通過Python的腳本mnist.py，從下載MNIST數(shù)集到將這些數(shù)據(jù)轉(zhuǎn)換成NumPy數(shù)組等處理，使用mnistpy中的load_mnist()函數(shù)，就可以按下述方式輕松讀入MNIST數(shù)據(jù)。

注意這里的mnist.py不具備通用性，只能用在學習項目中，做學習了解（具體可以參考網(wǎng)上知識，在此不詳述）

Python有pickle這個功能，可以將程序運行中的對象保存為文件，如果加裁保存過的pickle文件，可以立刻復原之前程序運行中的對象。利用pickle功能，可以高效地完成MINIST數(shù)據(jù)的準備工作。pickle.load(f)

手寫數(shù)字識別的例子

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 為了導入父目錄的文件而進行的設定
import numpy as np
from dataset.mnist import load_mnist

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

# 輸出各個數(shù)據(jù)的形狀
print(x_train.shape)   # (60000，784)
print(t_train.shape)  # (60000,)
print(x test.shape)   #(10000，784)
print(t_test.shape)   # (10000,)

上面的代碼中，先導人dataset/mnist.py中的load_mnist函數(shù)。load mnist函數(shù)以“(訓練圖像,訓練標簽)，(測試圖像，測試標簽)”的形式返回讀人的MNIST數(shù)據(jù)。
然后想 load_mnist(normalize=True,flatten=True，one_hot_label=False)這樣，設置3個參數(shù)。
normalize設置是否將輸人圖像正規(guī)化為0.0~1.0的值。
flatten設置是否展開輸人圖像(變成一維數(shù)組)。若設置為True，則輸人圖像會保存為由784個元素構成的一維數(shù)組。
one_hot_label設置是否將標簽保存為one-hot表示。one-hot表示是僅正確解標簽為1，其余皆為0的數(shù)組,就像[0,0,1,0,0,0,0,0,0,0]這樣。當one_hot_label為True時，標簽則保存為one-hot表示。

后面顯示MINIST圖像，同時也確認一下數(shù)據(jù)。圖像的是使用PIL(Python Image Library)模塊。執(zhí)行下述代碼后，訓練圖像的第一張就會顯示出來

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 為了導入父目錄的文件而進行的設定
import numpy as np
from dataset.mnist import load_mnist
from PIL import Image


def img_show(img):
    pil_img = Image.fromarray(np.uint8(img))
    pil_img.show()

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

img = x_train[0]
label = t_train[0]
print(label)  # 5

print(img.shape)  # (784,)
img = img.reshape(28, 28)  # 把圖像的形狀變?yōu)樵瓉淼某叽?print(img.shape)  # (28, 28)

img_show(img)

要注意的是，flatten=True時讀人的圖像是以一列(一維)NumPy數(shù)組的形式保存的。因此，顯示圖像時，需要把它變?yōu)樵瓉淼?8像素 x 28像素的形狀。可以通過reshape()方法的參數(shù)指定期望的形狀。。此外，還需要把保存為NumPy數(shù)組的圖像數(shù)據(jù)轉(zhuǎn)換為PIL用的數(shù)據(jù)對象，這個轉(zhuǎn)換處理由Image.fromarray()來完成。

神經(jīng)網(wǎng)絡的推理處理
對這個MNIST數(shù)據(jù)集實現(xiàn)神經(jīng)網(wǎng)絡的推理處理。

神經(jīng)網(wǎng)絡的輸人層有784個神經(jīng)元，輸出層有10個神經(jīng)元。
輸人層的784這個數(shù)字來源于圖像大小的28x28=784，
輸出層的10這個數(shù)字來源于10類別分類(數(shù)字0到9，共10類別)。
此外，這個神經(jīng)網(wǎng)絡有2個隱藏層，第1個隱藏層有50個神經(jīng)元，第2個隱藏層有100個神經(jīng)元。

先定義get_data()、init_network()、predict() 這3個函數(shù)

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

def init_network():
	with open("sample_weight.pkl",'rb') as f:
		network = pickle.load(f)
	return netwrok

def predict(network, x):
	W1，W2，w3 = network['W1'], network['W2'], network['w3']
	bl，b2, b3 = network['b1']，network['b2']， network['b3']
	a1 = np.dot(x,W1)+b1
	z1 = sigmoid(a1)
	a2 = np.dot(a1,W2) +b2
	z2 = sigmoid(a2)
	a3=np.dot(a2,W3)+b3
	y = sigmoid(a3)

	reutrn y

init_network()會讀入保存在pickle文件 sample_weight.pkl 中的學習到的權重參數(shù)
現(xiàn)在，用這3個函數(shù)來實現(xiàn)神經(jīng)網(wǎng)絡的推理處理。然后，評價它的識別精度即能在多大程度上正確分類。

# 獲取數(shù)據(jù)
x, t = get_data()
# 初始化network
network =init_network()

accuracy_cnt =0
for i in range(len(x)):
	y = predict(network，x[i]) # predict()函數(shù)以NumPy數(shù)組的形式輸出各個標簽對應的概率
	p=np.argmax(y)  # 獲取概率最高的元素的索引
	if p == t[i]:
		accuracy_cnt += 1
print("Accuracy:" + str(float(accuracy_cnt) / len(x)))  # 比較神經(jīng)網(wǎng)絡所測的答案和正確解標簽，將回答正確的概率作為識別精度。

目前這個代碼的精度還不是很高，后續(xù)會在神經(jīng)網(wǎng)絡的結(jié)構和學習方法上優(yōu)化來提高這個精度

把load_mnist函數(shù)的參數(shù)normalize設置成了True。將normalize設置成True后，函數(shù)內(nèi)部會進行轉(zhuǎn)換，將圖像的各個像素值除以255，使得數(shù)據(jù)的值在0.0~1.0的范圍內(nèi)。像這樣把數(shù)據(jù)限定到某個范圍內(nèi)的處理稱為正規(guī)化。這種對神經(jīng)網(wǎng)絡的輸人數(shù)據(jù)進行某種既定的轉(zhuǎn)換稱為預處理。

預處理在神經(jīng)網(wǎng)絡(深度學習)中非常實用，實際上，很多預處理都會考慮到數(shù)據(jù)的整體分布，比如，利用數(shù)據(jù)整體的均值或標準差，移動數(shù)據(jù)，使數(shù)據(jù)整體以0為中心分布。文章來源地址http://www.zghlxwxcb.cn/news/detail-491833.html

到了這里，關于【深度學習】2-4 神經(jīng)網(wǎng)絡-手寫數(shù)字識別的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！