Python 神经网络手写识别实例源码

深度学习和神经网络对很多初学者来说都是摸不着头脑，今天分享一个完整的手写识别的实例，学习和理解了这个实例代码和过程就基本上掌握了神经网络。

1、构建神经网络类  network_claas.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
 
# neural network class definition
import scipy.special
import numpy 
# library for plotting arrays
import matplotlib.pyplot
# helper to load data from PNG image files# helpe 
import imageio
# glob helps select multiple files using patterns
import glob
 
class neuralNetwork : 
    
    # initialise the neural network 
    def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate) : 
        
        #set number of nodes in each input , hidden , output
        #初始化网络，设置输入层，中间层，和输出层节点数
        self.inodes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes
 
        # link weight matrices, wih and who 
        # weights inside the arrays are w_ i_ j, where link is from node i to node j in the next layer 
        # w11 w21 
        # w12 w22 etc 
        # 初始化权重矩阵，我们有两个权重矩阵，一个是wih表示输入层和中间层节点间链路权重形成的矩阵一个是who,表示中间层和输出层间链路权重形成的矩阵
        self. wih = numpy.random.normal( 0.0, pow( self. hnodes, -0.5), (self. hnodes, self. inodes))
        self. who = numpy.random.normal( 0.0, pow( self. onodes, -0.5), (self. onodes, self. hnodes))
 
        # learning rate 
        self.lr = learningrate
 
        # activation function is the sigmoid function
        # 设置激活函数的反函数
        self.activation_function = lambda x:scipy.special.expit(x) 
 
        pass 
    
    # train the neural network 
    def train(self, inputs_list, targets_list) : 
 
        # convert inputs list to 2d array
        #根据输入的训练数据更新节点链路权重
        #把inputs_list, targets_list转换成numpy支持的二维矩阵.T表示做矩阵的转置
        inputs = numpy.array(inputs_list, ndmin=2).T
        targets = numpy.array(targets_list, ndmin=2).T
        
        # calculate signals into hidden layer
        #计算信号经过输入层后产生的信号量
        hidden_inputs = numpy.dot(self.wih, inputs)
        # calculate the signals emerging from hidden layer
        #中间层神经元对输入的信号做激活函数后得到输出信号
        hidden_outputs = self.activation_function(hidden_inputs)
        
        # calculate signals into final output layer
        #输出层接收来自中间层的信号量
        final_inputs = numpy.dot(self.who, hidden_outputs)
        # calculate the signals emerging from final output layer
        #输出层对信号量进行激活函数后得到最终输出信号
        final_outputs = self.activation_function(final_inputs)
        
        # output layer error is the (target - actual)
        #计算误差
        output_errors = targets - final_outputs
        # hidden layer error is the output_errors, split by weights, recombined at hidden nodes
        hidden_errors = numpy.dot(self.who.T, output_errors) 
        
        #根据误差计算链路权重的更新量，然后把更新加到原来链路权重上
        # update the weights for the links between the hidden and output layers
        self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)), numpy.transpose(hidden_outputs))
        
        # update the weights for the links between the input and hidden layers
        self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), numpy.transpose(inputs))
        pass 
    
    # query the neural network 
    def query(self, inputs_list) : 
 
        #根据输入数据计算并输出答案
        # convert inputs list to 2d array
        inputs = numpy.array(inputs_list, ndmin=2).T
 
        #计算中间层从输入层接收到的信号量
        # calculate signals into hidden layer
        hidden_inputs = numpy.dot(self.wih, inputs)
 
        #计算中间层经过激活函数后形成的输出信号量
        # calculate the signals emerging from hidden layer
        hidden_outputs = self.activation_function(hidden_inputs)
        
        #计算最外层接收到的信号量
        # calculate signals into final output layer
        final_inputs = numpy.dot(self.who, hidden_outputs)
        # calculate the signals emerging from final output layer
        final_outputs = self.activation_function(final_inputs)
        
        return final_outputs

2、初始化及训练测试该网络

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
 
from network_claas import neuralNetwork
import numpy
import matplotlib
import glob
import imageio 
# library for plotting arrays
import matplotlib.pyplot as plt
import pylab
 
# ensure the plots are inside this notebook, not an external window
 
#初始化网络
# number of input, hidden and output nodes
input_nodes = 784
hidden_nodes = 100
output_nodes = 10
 
 
#初始化学习率
# learning rate is 0.3
learning_rate = 0.3
 
 
# create instance of neural network
# 初始化神经网络
n = neuralNetwork(input_nodes,hidden_nodes,output_nodes, learning_rate)
 
# load the mnist training data CSV file into a list 
training_data_file = open("mnist_dataset/mnist_train_100.csv", 'r') 
training_data_list = training_data_file.readlines() 
training_data_file.close()
 
# train the neural network 
# epochs is the number of times the training data set is used for training 
epochs = 5 
 
for e in range( epochs): 
 
    # go through all records in the training data set 
 
    for record in training_data_list: 
        # split the record by the ',' commas 
        all_values = record.split(',') 
        # scale and shift the inputs 
        inputs = (numpy.asfarray( all_values[1:]) / 255.0 * 0.99) + 0.01 
        # create the target output values (all 0.01, except the desired label which is 0.99) 
        targets = numpy.zeros(output_nodes) + 0.01 
        # all_values[0] is the target label for this record
 
        targets[int(all_values[0])] = 0.99 
        n.train(inputs, targets) 
    pass 
 
 # load the mnist test data CSV file into a list 
test_data_file = open("mnist_dataset/mnist_test_10.csv", 'r') 
test_data_list = test_data_file.readlines() 
test_data_file.close() 
 
# test the neural network 
# scorecard for how well the network performs, initially empty 
scorecard = [] 
 
# go through all the records in the test data set 
for record in test_data_list: 
    # split the record by the ',' commas 
    all_values = record.split(',') 
    # correct answer is first value 
    correct_label = int( all_values[ 0]) 
    # scale and shift the inputs 
    inputs = (numpy.asfarray( all_values[ 1:]) / 255.0 * 0.99) + 0.01 
    # query the network 
    outputs = n.query( inputs) 
    # the index of the highest value corresponds to the label 
    label = numpy.argmax( outputs) 
    # append correct or incorrect to list 
    if (label == correct_label): 
        # network' s answer matches correct answer, add 1 to scorecard 
        scorecard.append( 1) 
    else: 
        # network' s answer doesn' t match correct answer, add 0 to scorecard 
        scorecard.append( 0) 
        pass 
    pass 
 
# calculate the performance score, the fraction of correct answers 
scorecard_array = numpy.asarray( scorecard) 
print ("performance = ", scorecard_array.sum() / scorecard_array.size)
 
 
# our own image test data set# our o 
our_own_dataset = []
 
# load the png image data as test data set
for image_file_name in glob.glob('my_own_images/2828_my_own_?.png'):
    
    # use the filename to set the correct label
    label = int(image_file_name[-5:-4])
    
    # load image data from png files into an array
    print ("loading ... ", image_file_name)
    img_array = imageio.imread(image_file_name, as_gray=True)
    
    # reshape from 28x28 to list of 784 values, invert values
    img_data  = 255.0 - img_array.reshape(784)
    
    # then scale data to range from 0.01 to 1.0
    img_data = (img_data / 255.0 * 0.99) + 0.01
    print(numpy.min(img_data))
    print(numpy.max(img_data))
    
    # append label and image data  to test data set
    record = numpy.append(label,img_data)
    our_own_dataset.append(record)
    
    pass
 
# record to test
item = 2
 
# plot image
plt.imshow(our_own_dataset[item][1:].reshape(28,28), cmap='Greys', interpolation='None')
 
# correct answer is first value
correct_label = our_own_dataset[item][0]
 
# data is remaining values
inputs = our_own_dataset[item][1:]
 
# query the network
outputs = n.query(inputs)
print (outputs)
 
# the index of the highest value corresponds to the label
label = numpy.argmax(outputs)
print("network says ", label)
# append correct or incorrect to list
if (label == correct_label):
    print ("match!")
else:
    print ("no match!")
    pass
 
pylab.show()

3，输出如下：

4，完整代码如下：

 PythonApplicationNetwork.zip