采用的是python中机器学习库sklearn图片数据
sklearn简要介绍：
#sklearn是Python中的一个机器学习包
from sklearn.datasets import load_digits #载入Sklearn
import pylab as pl
digits=load_digits()#载入数据集(都是数字图片)
print(digits.data.shape)
#一共有1797张图片
#把8*8的图片以64列排放
pl.gray()#灰度化图片
pl.matshow(digits.images[0])
pl.show()
结果：
数字识别代码部分：
import numpy as np
from sklearn.datasets import load_digits#载入Sklearn
from sklearn.preprocessing import LabelBinarizer#标签二值化
from sklearn.cross_validation import train_test_split#切分数据，把数据切分为训练数据与测试数据
#激活函数 目前新的神经网络已经不用此激活函数了，太旧了
def sigmoid(x):
return 1/(1+np.exp(-x))
def dsigmoid(x):#激活函数的倒数
return x*(1-x)
return x*(1-x)
class NeuralNetwork:#定义神经元类
def __init__(self,layers):##(64,100,10) 输入，隐藏层，输出层
#权值的初始化，范围-1到1
self.V = np.random.random((layers[0]+1,layers[1]+1))*2-1#"+1"是偏置
self.W = np.random.random((layers[1]+1,layers[2]))*2-1
def train(self,X,y,lr=0.11,epochs=10000):#输入，标签，学习率，迭代次数
#添加偏置
temp = np.ones([X.shape[0],X.shape[1]+1])
#添加偏置
temp = np.ones([X.shape[0],X.shape[1]+1])#构建一个比X多一列的矩阵，矩阵元素值均为1
temp[:,0:-1] = X
X = temp
#训练思想
#10000个数据分成100个批次训练，每次训练100个，可以加快训练速度
for n in range(epochs+1):
i = np.random.randint(X.shape[0]) #随机选取训练集里面的一行，即一个数据
x = [X[i]]
x = np.atleast_2d(x)#转为2维数据
L1 = sigmoid(np.dot(x,self.V))#隐层输出
L2 = sigmoid(np.dot(L1,self.W))#输出层输出
#L2的倒数=理想输出-实际输出*L2经过激活函数的倒数 i代表标签
#L1的倒数=L2的倒数*权值（上一层的反馈）*L1进过激活函数的倒数
L2_delta = (y[i]-L2)*dsigmoid(L2)
L1_delta= L2_delta.dot(self.W.T)*dsigmoid(L1)
self.W += lr*L1.T.dot(L2_delta)
self.V += lr*x.T.dot(L1_delta)
#每训练1000次预测一次准确率
if n%1000==0:
predictions = []
for j in range(X_test.shape[0]):
o = self.predict(X_test[j])
predictions.append(np.argmax(o))#获取预测结果
accuracy = np.mean(np.equal(predictions,y_test))#求平均
print('epoch:',n,'accuracy:',accuracy)#打印循环周期和准确率
def predict(self,x):
#添加偏置
temp = np.ones(x.shape[0]+1)#构建一个比X多一列的矩阵，矩阵元素值均为1
temp[0:-1] = x
x = temp
x = np.atleast_2d(x)#转为2维数据
L1 = sigmoid(np.dot(x,self.V))#隐层输出
L2 = sigmoid(np.dot(L1,self.W))#输出层输出
return L2
#主程序开始
#载入数据
digits = load_digits()#载入数据
X = digits.data#数据
y = digits.target#标签
#输入数据归一化
X -= X.min()#X的数据都减去X的最小值 然后/最大值 把X归一化到0-1之间
X /= X.max()
nm = NeuralNetwork([64,100,10])#创建网络
X_train,X_test,y_train,y_test = train_test_split(X,y) #分割数据1/4为测试数据，3/4为训练数据
labels_train = LabelBinarizer().fit_transform(y_train)#标签二值化 0,8,6 0->1000000000 3->0001000000
labels_test = LabelBinarizer().fit_transform(y_test)#标签二值化
print('start')
nm.train(X_train,labels_train,epochs=20000)
print('end')
结果：迭代20000次，准确率的变化
start
epoch: 0 accuracy: 0.0822222222222
epoch: 1000 accuracy: 0.697777777778
epoch: 2000 accuracy: 0.82
epoch: 3000 accuracy: 0.891111111111
epoch: 4000 accuracy: 0.895555555556
epoch: 5000 accuracy: 0.924444444444
epoch: 6000 accuracy: 0.931111111111
epoch: 7000 accuracy: 0.931111111111
epoch: 8000 accuracy: 0.944444444444
epoch: 9000 accuracy: 0.94
epoch: 10000 accuracy: 0.957777777778
epoch: 11000 accuracy: 0.942222222222
epoch: 12000 accuracy: 0.955555555556
epoch: 13000 accuracy: 0.957777777778
epoch: 14000 accuracy: 0.955555555556
epoch: 15000 accuracy: 0.962222222222
epoch: 16000 accuracy: 0.953333333333
epoch: 17000 accuracy: 0.953333333333
epoch: 18000 accuracy: 0.966666666667
epoch: 19000 accuracy: 0.96
epoch: 20000 accuracy: 0.964444444444
end
