神经网络简易的框架

最近学习了神经网络的原理,以下是学习的成果,分享出来

  1 import numpy
  2 #scipy.special for the sigmoid function expit()
  3 import scipy.special #专用扩展函数
  4 #libray for plotting arrays
  5 import matplotlib.pyplot  #用于绘制数组的libray
  6 #ensure the plots are inside this notebook,not anexternal windows  #在页面内呈现
  7 %matplotlib inline
  8 
  9 
 10 #神经网络框架类
 11 class neuralNetwork:
 12     #初始化神经网络    输入     隐藏层     输出   学习率
 13     def  __init__(self,inputnodes,hiddennondes,outputnodes,learningrate):
 14         self.inodes=inputnodes
 15         self.hondes=hiddennondes
 16         self.onodes=outputnodes
 17        
 18         #链接权值矩阵 link weight matrices ,wih and who
 19         #weights inside the arrays are w_i_j,where link is from node in to node j in the next layer
 20         #数组内的权重是w_i_j,其中link是从节点in到下一层的节点j
 21         #self.wih=(numpy.random.rand(self.hondes,self.inodes)-0.5)
 22         #self.who=(numpy.random.rand(self.onodes,self.hondes)-0.5)
 23         
 24         #初始化权重
 25         self.wih = numpy.random.normal(0.0,pow(self.hondes,-0.5),(self.hondes,self.inodes))
 26         self.who = numpy.random.normal(0.0,pow(self.onodes,-0.5),(self.onodes,self.hondes))
 27         
 28         #学习率初始
 29         self.lr=learningrate
 30         
 31         #激活函数是s型函数
 32         self.activation_function = lambda x: scipy.special.expit(x)
 33         
 34         pass
 35     
 36     #训练神经网络  train the neural network
 37     def train(self,inputs_list,targets_list):
 38         #将输入列表转换为二维数组
 39         inputs =numpy.array(inputs_list,ndmin=2).T
 40         targets = numpy.array(targets_list,ndmin=2).T
 41         
 42         #计算信号进入隐含层
 43         hidden_inputs = numpy.dot(self.wih,inputs)
 44         #计算从隐含层出现的信号
 45         hidden_outputs = self.activation_function(hidden_inputs)
 46         
 47         #计算信号进入输出层
 48         final_inputs = numpy.dot(self.who,hidden_outputs)
 49         #计算从输出层出现的信号
 50         final_outputs =self.activation_function(final_inputs)
 51         
 52         #误差计算
 53         output_errors = targets-final_outputs
 54         #隐含层误差馈
 55         hidden_errors =numpy.dot(self.who.T,output_errors)
 56         
 57         #隐含层权重更新
 58         self.who += self.lr*numpy.dot((output_errors*final_outputs*(1.0-final_outputs)),numpy.transpose(hidden_outputs))
 59         
 60         #输入层权重更新
 61         self.wih += self.lr*numpy.dot((hidden_errors*hidden_outputs*(1.0-hidden_outputs)),numpy.transpose(inputs))
 62         
 63         
 64         
 65         pass
 66     #查询
 67     def query(self,inputs_list):
 68         #将输入列表转换为二维数组
 69         inputs = numpy.array(inputs_list,ndmin=2).T
 70         
 71         #计算信号到隐藏层
 72         hidden_inputs = numpy.dot(self.wih,inputs)
 73         #计算从隐含层出现的信号
 74         hidden_outputs =self.activation_function(hidden_inputs)
 75         
 76         #计算信号到最终的输出层
 77         final_inputs = numpy.dot(self.who,hidden_outputs)
 78         #计算从最终输出层出现的信号
 79         final_outputs = self.activation_function(final_inputs)
 80         
 81         return final_outputs
 82         
 83 #数字输入,隐藏层、输出层
 84 input_nodes= 784
 85 hidden_nodes=500
 86 output_nodes=10
 87 
 88 
 89 #学习率设置  learning rate
 90 learning_rate = 0.1
 91 
 92 
 93 #创建神经网络实例
 94 n=neuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate)
 95 
 96 
 97 #打开训练集
 98 training_data_file = open("mnist_dataset/mnist_train.csv","r")
 99 training_data_list = training_data_file.readlines()
100 training_data_file.close()
101 
102 
103 #训练神经网络
104 
105 
106 #网络执行情况的记分卡最初为空
107 #scorecard =[]
108 
109 
110 #检查训练数据集中的所有记录
111 def traIning():
112     for record in training_data_list:
113         all_values = record.split(',')#用,分割为数组
114         inputs  = (numpy.asfarray(all_values[1:])/255.0*0.99)+0.01  #整体偏移到0.01到0.99之间  规模和转移输入
115         targets =numpy.zeros(output_nodes)+0.01  #创建目标输出值 在0.01-0.99之间
116         targets[int(all_values[0])] =0.99  #是该记录的目标标签
117         n.train(inputs,targets)
118         pass
119 
120 
121 #epochs是训练数据集用于训练的次数
122 epochs = 5
123 for e in range(epochs):
124     traIning()
125     
126     
127 print("训练完成!")
128 
129 
130 
131 
132 test_data_file  = open("mnist_dataset/mnist_test.csv",'r')#打开测试文件
133 test_data_list =test_data_file.readlines() #读取数据
134 test_data_file.close()#完毕文件
135 
136 
137 #网络执行情况的记分卡最初为空
138 scorecard =[]
139 for record in test_data_list:
140     all_values =record.split(',')
141     correct_label = int(all_values[0]) #训练集中的数字
142     inputs =(numpy.asfarray(all_values[1:])/25.0*0.99)+0.01  #权重#整体偏移到0.01到0.99之间
143     outputs =n.query(inputs)#进行查询
144     label = numpy.argmax(outputs)  #数字 标签
145     #print(label,"network's answer")
146     if (label == correct_label):  #
147         scorecard.append(1)
148     else:
149         scorecard.append(0)
150         pass
151 all_value =test_data_list[5].split(',')  #查看对应的数字
152 print(all_value[0])
153 
154 
155 scorecard_array = numpy.asarray(scorecard)
156 print("performance=",scorecard_array.sum()/scorecard_array.size) #计算准确率
MNIST数据库提供的手写数字,训练集与测试集地址 https://pjreddie.com/projects/mnist-in-csv/

 

上一篇:全选,全不选,反选


下一篇:app测试自动化操作方法之一