求解机器学习问题的步骤如下：
- 学习
- 推理
类似的，使用神经网络解决问题时，也需要使用训练数据进行权重参数的学习；进行推理时，使用刚才学习到的参数，对输入数据进行分类。
这里假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播。
这里使用的数据集是MNIST手写数字图像集，MNIST数据集是机器学习领域有名的数据集之一。MNIST数据集是由0到9的数字图像构成的，训练图像有6万张，测试图像有1万张。
MNIST的图像数据是28像素*28像素的灰度图像，各个像素的取值在0-255之间，每个图像数据都相应地标有“9”，“2”， “4”等标签。
导入MNIST数据集
import sys, os
sys.path.append(os.pardir) # 为了导入父目录中的文件而进行的设定
from dataset.mnist import load_mnist
# 第一次调用会花些时间
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
# 输出各个数据的形状
print(x_train.shape)
print(t_train.shape)
print(x_test.shape)
print(t_test.shape)
输出为：
(60000, 784)
(60000,)
(10000, 784)
(10000,)
load_mnist函数以“（训练图像，训练标签）， （测试图像，测试标签）”的形式返回读入的MNIST数据。
load_mnist函数有三个参数：
-
normalize设置为False,则输入图像的像素会保持原来的0-255；设置为True,则将输入图像正规化为0.0-1.0的值 -
flatten设置为False,则输入图像为12828的三维数组； 设置为True,则将输入图像保存为由784个元素构成的一维数组 -
one_hot_label设置为False时，只是像7,2这样简单的保存正确解标签；设置为True时，标签则保存为one_hot形式：仅正确解标签为1，其余皆为0
显示MNIST图像
import sys, os
sys.path.append(os.pardir)
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)
print(img.shape)
img=img.reshape(28,28) # 把图像变回原来的尺寸
print(img.shape)
img_show(img)
由于flatten=True时读入的图像是以一维numpy数组的形式保存的。因此，显示图像时，需要把它变为原来的28像素*28像素的形状，可以通过reshape()方法的参数指定期望的形状。
输出为：
5
(784,)
(28, 28)
神经网络的推理处理
假设已经学习到的参数保存在sample_weight.pkl中。
import sys, os
sys.path.append(os.pardir)
import numpy as np
import pickle # 利用pickle快速加载已经下载过的MNIST数据集
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax # 激活函数
def get_data():
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=True, one_hot_label=False)
return x_test, t_test
def init_network():
with open("sample_weight.pkl", "rb") as f: # 读取学习到的权重、偏置参数
network=pickle.load(f)
return network
def predict(network, x):
w1, w2, w3=network['W1'], network['W2'], network['W3']
b1, b2, b3=network['b1'], network['b2'], network['b3']
a1=np.dot(x, w1) + b1
z1=sigmoid(a1) # 第一层的激活函数
a2=np.dot(z1,w2) + b2
z2=sigmoid(a2) # 第二层的激活函数
a3=np.dot(z2, w3) + b3
y=softmax(a3) # 输出层的激活函数
return y
x, t=get_data()
network=init_network()
accuracy_cnt=0
for i in range(len(x)):
y=predict(network, x[i])
p=np.argmax(y) # 获取概率最高的元素的索引
if p==t[i]: # 当预测数据和测试标签一致时，即识别正确
accuracy_cnt += 1
print("识别精度为：" + str(float(accuracy_cnt)/len(x)))
输出为：
识别精度为：0.9352
这表示有93.52%的数据被正确分类了。
每天学习一点点，每天进步一点点。
参考书籍：《深度学习入门：基于Python的理论和实现》
网友评论