【深度学习】(二)神经网络:激活函数、MNIST

2023-11-05

感知机需要人为设定符合预期输入输出的权重。
神经网络可以自动地从数据中心学习到合适的参数。

质朴感知机:指单层网络,激活函数使用了阶跃函数的模型。
多层感知机:指神经网络,使用平滑的激活函数的多层网络。

激活函数

激活函数是将输入信号的总和转换为输出信号的函数。y = h(∑xi*wi)

阶跃函数

阶跃函数以阈值为界,一旦输入超过阈值,就切换输出。
感知机中流动的是0或1的二元信号。

import numpy as np
import matplotlib.pyplot as plt

'''
def step_function(x):
    return np.array(x>0, dtype=np.int)
'''

def step_function(x):
    y = x > 0 # [False True]
    return y.astype(np.int) # 通过指定期望类型转换NumPy数组

x = np.arange(-5.0, 5.0, 0.1)
y = step_function(x)
plt.plot(x, y)
plt.ylim(-0.1, 1.1) # 指定y轴范畴
plt.show()

在这里插入图片描述

sigmoid函数

sigmoid函数具有平滑性
神经网络中流动的是连续的是数值信号。

def sigmoid(x):
    return 1 / (1 + np.exp(-x)) # e^(-x)

在这里插入图片描述

ReLU函数

ReLU(Rectified Linear Unit)函数在输入小于0是输出0 ,大于0时输出本身。

def relu(x):
    return np.maximum(0, x) # 取最大值

在这里插入图片描述

神经网络

求解机器学习问题的步骤分为:
“学习”:进行模型的学习
“推理”:用所学到的模型对未知的数据进行推理(分类)

多维数组的运算

import numpy as np
import matplotlib.pyplot as plt

A = np.array([1, 2, 3, 4]) # 一维数组
print(A) # [1 2 3 4]
print(np.ndim(A)) # 数组的位数。1
print(A.shape) # 返回一个元组,表示元素个数。(4,)

B = np.array([[2, 3], [4, 5]])
C = np.array([[1, 2], [6, 8]])
print(np.dot(B, C)) # 矩阵乘法。左行*右列

3层神经网络的实现:恒等函数

import numpy as np

def sigmoid(x): # 隐藏层激活函数
    return 1 / (1 + np.exp(-x)) # e^x

def identity_function(x): # 输出层激活函数:恒等函数,将输入按原样输出
    return x

def init_network(): # 进行权重和前置的初始化
    network = {} # 字典变量
    # 权重角标:后|先的神经元序号
    network['W1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]]) # 第一层权重
    network['b1'] = np.array([[0.1, 0.2, 0.3]]) # 第一层偏置神经元的权重
    network['W2'] = np.array([[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]])
    network['b2'] = np.array([0.1, 0.2])
    network['W3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
    network['b3'] = np.array([0.1, 0.2])

    return network

def forword(network, x): # 封装输入信号转换为输出信号的过程
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']

    a1 = np.dot(x, W1) + b1 # 第一个隐藏层
    z1 = sigmoid(a1) # 由激活函数转换为输出,作为第二层的输入
    a2 = np.dot(z1, W2) + b2
    z2= sigmoid(a2)
    a3 = np.dot(z2, W3) + b3
    y = identity_function(a3) # 输出

    return y

network = init_network()
x = np.array([1.0, 0.5]) # 输入
y = forword(network, x)
print(y) # [[0.31682708 0.69627909]]

输出层的设计:softmax函数

机器学习的问题分为:分类问题。回归问题(根据某个输入预测一个连续的数值)。
归回问题用恒等函数,分类问题用softmax函数。

softmax函数:指数运算会出现溢出问题,在进行运算时加上/减去某一个常数不会改变运算结果。

def softmax(a):
    c = np.max(a) # 取最大值作为常数
    exp_a = np.exp(a - c)  # 溢出对策
    sum_exp_a = np.sum(exp_a)
    y = exp_a/sum_exp_a

    return y

函数的输出总和为0,可以看作“概率”。
神经网络把输出值最大的神经元所对应的类别。
对于分类问题,输出层神经元数量一般设定为类别的数量。

手写数字识别(MNIST数据集)

MNIST手写数字图像集,由0到9的数字图像构成。先用训练图像进行学习,再用学习到的模型度量能在多大程度上对测试图像进行正确的分类。

从我学习的这本书,嫖了代码,可以下载MNIST数据集并将这些数据转换成NumPy数组进行处理。

mnist.py

# coding: utf-8
try:
    import urllib.request
except ImportError:
    raise ImportError('You should use Python 3.x')
import os.path
import gzip
import pickle
import os
import numpy as np


url_base = 'http://yann.lecun.com/exdb/mnist/'
key_file = {
    'train_img':'train-images-idx3-ubyte.gz',
    'train_label':'train-labels-idx1-ubyte.gz',
    'test_img':'t10k-images-idx3-ubyte.gz',
    'test_label':'t10k-labels-idx1-ubyte.gz'
}

dataset_dir = os.path.dirname(os.path.abspath(__file__))
save_file = dataset_dir + "/mnist.pkl"

train_num = 60000
test_num = 10000
img_dim = (1, 28, 28)
img_size = 784


def _download(file_name):
    file_path = dataset_dir + "/" + file_name
    
    if os.path.exists(file_path):
        return

    print("Downloading " + file_name + " ... ")
    urllib.request.urlretrieve(url_base + file_name, file_path)
    print("Done")
    
def download_mnist():
    for v in key_file.values():
       _download(v)
        
def _load_label(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")
    with gzip.open(file_path, 'rb') as f:
            labels = np.frombuffer(f.read(), np.uint8, offset=8)
    print("Done")
    
    return labels

def _load_img(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:
            data = np.frombuffer(f.read(), np.uint8, offset=16)
    data = data.reshape(-1, img_size)
    print("Done")
    
    return data
    
def _convert_numpy():
    dataset = {}
    dataset['train_img'] =  _load_img(key_file['train_img'])
    dataset['train_label'] = _load_label(key_file['train_label'])    
    dataset['test_img'] = _load_img(key_file['test_img'])
    dataset['test_label'] = _load_label(key_file['test_label'])
    
    return dataset

def init_mnist():
    download_mnist()
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

def _change_one_hot_label(X):
    T = np.zeros((X.size, 10))
    for idx, row in enumerate(T):
        row[X[idx]] = 1
        
    return T
    

def load_mnist(normalize=True, flatten=True, one_hot_label=False):
    """读入MNIST数据集
    
    Parameters
    ----------
    normalize : 将图像的像素值正规化为0.0~1.0
    one_hot_label : 
        one_hot_label为True的情况下,标签作为one-hot数组返回
        one-hot数组是指[0,0,1,0,0,0,0,0,0,0]这样的数组
    flatten : 是否将图像展开为一维数组
    
    Returns
    -------
    (训练图像, 训练标签), (测试图像, 测试标签)
    """
    if not os.path.exists(save_file):
        init_mnist()
        
    with open(save_file, 'rb') as f:
        dataset = pickle.load(f)
    
    if normalize:
        for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].astype(np.float32)
            dataset[key] /= 255.0
            
    if one_hot_label:
        dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
        dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
    
    if not flatten:
         for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].reshape(-1, 1, 28, 28)

    return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label']) 


if __name__ == '__main__':
    init_mnist()

读入MNIST数据集

如果需要导入父目录的文件,需要增添搜索路径sys.path.append(os.pardir)

第一次调用load_mist函数的时候,自动下载MNIST数据集,也不知道我是网卡了还是怎么回事,反正这是数据集是不能直接下载成功的,一切报错都是因为下载不成功!
于是主动下载4个文件:MNIST数据集
在这里插入图片描述
展示MNIST数据集

import sys, os
sys.path.append(os.pardir) # 为导入父目录中的文件而进行设定
from Mnist.mnist import load_mnist

# 读入数据集
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

print(x_train.shape) # 训练图像。(60000, 784)
print(t_train.shape) # 训练标签。(60000,)
print(x_test.shape) # 测试图像。(10000, 784)
print(t_test.shape) # 测试标签。(10000,)

load_mnist函数:返回“(训练图像,训练标签),(测试图像,测试标签)”。
有3个参数:normalize是否输入图像正规化为0.0~1.0,False图像像素保持原来的0 ~ 255。flatten是否展开图像(变784个元素的一维数组),False图像为12828的三维数组。one_hot_label是否将标签保存会one_hot表示(只有一个1,其它全是0)。

Python具有pickle功能,即可以把程序运行中的对象保存为文件。如果加在保存过的pickle文件,可以立刻复原之前程序运行中的对象。

学习

import sys, os
sys.path.append(os.pardir) # 为导入父目录中的文件而进行设定
from Mnist.mnist import load_mnist
from PIL import Image # 图像的显示
import numpy as np

def img_show(img): # 显示图像
    pil_img = Image.fromarray(np.uint8(img)) # 把保存为NumPy数组的图像数据转换为PIL所用数据对象
    pil_img.show()

# 读入数据集。以一列一维NumPy数组的形式保存
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
img = x_train[0] # 选第一张训练图像
label = t_train[0] # 第一个训练标签
print(label) #

print(img.shape) # 5
img = img.reshape(28, 28) # 指定期望的形状更改NumPy数组。(784,)
print(img.shape) # (28, 28)

img_show(img)

在这里插入图片描述

推断处理

推断处理也叫向前传播。神经网络的输入层有784个神经元(图像大小28*28),输出层有10个神经元(0-9)。采用三层神经网络实现。
读取了保存在pickle文件samle_weight.pkl中的学习到的权重参数,文件中以字典变量的形式保存了权重和偏置参数。(这个文件也是下载的)

import sys, os
sys.path.append(os.pardir) # 为导入父目录中的文件而进行设定
from Mnist.mnist import load_mnist
import numpy as np
import pickle
from h import sigmoid
from h import softmax

# 获取数据
def get_data():
# 读入数据集。对一列一维NumPy数组进行预处理:正规化,使数据值在0.0~1.0
    (x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=True, one_hot_label=False)
    return x_test, t_test

# 初始化神经网络。读入pickle文件中的学习参数
def init_network():
    with open("sample_weight.pkl", "rb") as f:
        network = pickle.load(f)

    return network

# 3层神经网络。推断处理也叫向前传播
def predict(network, x): # 封装输入信号转换为输出信号的过程
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']

    a1 = np.dot(x, W1) + b1 # 第一个隐藏层
    z1 = sigmoid(a1) # 由激活函数转换为输出,作为第二层的输入
    a2 = np.dot(z1, W2) + b2
    z2 = sigmoid(a2)
    a3 = np.dot(z2, W3) + b3
    y = softmax(a3) # 输出

    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) # 获取最高的元素的索引
    if p == t[i]:
        accuracy_cnt += 1

print("Accuracy:" + str(float(accuracy_cnt)/len(x))) # Accuracy:0.9352

批处理

一张784像素的图片输出为10。
同时处理100张,100784->10010
这种打包式的输入数据成为

x, t = get_data()
network = init_network()

batch_size = 100 # 批数量
accuracy_cnt = 0
for i in range(0, len(x), batch_size):
    x_batch = x[i:i+batch_size] # 取出第i个到第i+batch_n中的数据
    y_batch = predict(network, x_batch) # 100*10 数据
    p = np.argmax(y_batch, axis=1) # 指定沿着第1维方向找到最大的元素的索引。返回100数据
    accuracy_cnt += np.sum(p == t[i:i+batch_size]) # 以批为单位进行比较,返回True的个数

print("Accuracy:" + str(float(accuracy_cnt)/len(x))) # Accuracy:0.9352
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

【深度学习】(二)神经网络:激活函数、MNIST 的相关文章

随机推荐

  • 联合编译OpenCV+PCL+CUDA时需要注意的问题

    最近在写tsdf的程序 同时使用了OpenCV PCL和CUDA 在编译工程的时候发现了不少问题 在这里整理一下 1 cu和cpp文件 global host device 这样开头的cuda程序只能写在cu文件中 kernal lt lt
  • linux读写锁pthread_rwlock_t

    读写锁说明 读写锁实际是一种特殊的自旋锁 它把对共享资源的访问者划分成读者和写者 这种锁相对于自旋锁而言 能提高并发性 它允许同时有多个读者来访问共享资源 写者是排他性的 一个读写锁同时只能有一个写者或多个读者 但不能同时既有读者又有写者
  • 巴比特

    摘要 据钛媒体报道 当前市场对与内容相关的产品商业化的耐心不及以往 以至于 扎克伯格早早就为元宇宙设想好了商业化的落地场景 元宇宙方面 我们希望能够为用户提供更多业务帮助 比如通过聊天直接获取客户 直接对用户销售产品 提供客服帮助或再向用户
  • 国内NFT平台及玩法一览

    2021年被称为NFT的 元年 互联网巨头 各大企业 艺术家 明星纷纷入局NFT 屡创新高的NFT价格更是让其成为大众关注焦点 此推出NFT系列专题研究 盘点和总结NFT的发行市场 平台背景 投融资状况 市场热点 政策监管等相关内容 帮助读
  • c语言static关键字的理解

    static 一 概述 在c语言中static恰当的使用能让程序更加完美 细节上的严谨 代码会更好 也更利于程序的维护与扩展 而static使用灵活 且又有两种完全无关的用法 所以整理总结一下 二 static的两种用法 1 static修
  • Tomcat项目配置

    1 下载tomcat 版本 9 0 65 链接 https tomcat apache org download 90 cgi 2 解压tomcat tomcat直接解压就可以使用 解压后文件夹目录为 3 bin文件夹下 startup b
  • vue.js -- 全局组件&局部组件

    目录 vue组件 全局组件 组件定义 组件复用 组件的组件 局部组件 总结 vue组件 组件是 Vue js 最强大的功能之一 组件可以扩展 HTML 元素 封装可重用的代码 组件系统让我们可以用独立可复用的小组件来构建大型应用 几乎任意类
  • JAVA逻辑思维题(1)4个人过桥

    有4个女人要过一座桥 她们都站在桥的某一边 要让她们在17分钟内全部通过这座桥 这时是晚上 她们只有一个手电筒 最多只能让两个人同时过桥 不管是谁过桥 不管是一个人还是两个人 必须要带着手电筒 手电筒必须要传来传去 不能扔过去 每个女人过桥
  • vue ag-grid-vue 大数据动态加载服务器请求数据

    vue ag grid vue 渲染大数据表格 动态请求服务器数据设置子目录 目前只能是初始是一次性加载所有数据再分页渲染 还没有研究出滚动分页加载服务器 这个方法是一次加载所有数据在前端再做的分页渲染 点击目录文件展开能动态加载服务器的数
  • 计算机上应用锁,电脑怎么设置软件锁

    题主 针对这个问题有两个解决方案 一 设立两个账户 先创建一个用户 右键计算机 点管理 在弹出的对话框选择用户和组 选择用户 右键空白地方新建用户 设置密码等选项 新建完成关闭对话框 找到软件快捷方式或者软件图标 右键图标 选择属性 在跳出
  • 个人服务器环境搭建

    前言 文档创建时间 2022年12月1日14点26分 初衷 想搭建个人服务器 熟悉Linux的语言以及服务部署相关事情 主要方向可能是个人网站 公众号 小程序后台接口 之前有在免费的服务器上面搭建过 现在再次搭建顺便做个记录 前期准备 云服
  • 学习笔记(一):Windows和Ubuntu系统下的QGIS-python二次开发环境配置方法

    学习笔记 一 Windows和Ubuntu系统下的QGIS python二次开发环境配置方法 过程超级超级无敌详细 0 写在前面 1 Win10系统下QGIS python的开发环境配置 1 1 方法一 使用QGIS软件中的bat文件直接配
  • [Java基础系列第1弹]一文带你了解Java编程语言的精髓:特性、机制、环境和工具

    如果你是一个想要学习编程的新手 或者是一个想要提高编程技能的老手 那么Java编程语言是一个非常好的选择 Java是一种简单 面向对象 分布式 健壮 安全 跨平台 多线程和动态的编程语言 它可以用于开发各种类型和规模的软件应用 Java是目
  • 大厂经典Zookeeper面试题整理汇总

    1 ZooKeeper 是什么 ZooKeeper 是一个分布式的 开放源码的分布式应用程序协调服务 它是一个为分布式应用提供一致性服务的软件 提供的功能包括 配置维护 域名服务 分布式同步 组服务等 ZooKeeper 的目标就是封装好复
  • 在传统公司干IT是一种什么体验(三)

    我的同事人人都是福尔摩斯 我的一举一动都是他们的破案素材 表哥语录 表哥的公司特别重视细节 注重细节本来是一个良好的工作习惯 但是表哥公司的同事把细节用到了极致 可能也是一种内卷的表现 公司里的人基本都干了10年了 公司业务变化也不大 天天
  • 通过url下载文件和本地路径下载文件是不一样的!

    通过url下载文件 RequestMapping value download method RequestMethod GET public void getRequest HttpServletResponse response Str
  • 【微信小程序】从后台获取数据并赋值到数组,然后前端遍历使用。

    一 在 js文件的data里面创建一个空数组 用来存放后端返回的数据 Page data ToDoList 二 后端文件
  • WSL2 使用 docker

    一 下载docker 这篇文章发布的时候正式版的docker 仍然不支持docker wsl 因此需要下载edge 版本 下载地址 https docs docker com docker for windows edge release
  • 献给Python初学者,零基础学习Python能学会吗?

    零基础 学习 Python 能学会吗 这个问题几乎是所有初学Python的小白都会问到的问题 其实Python是非常适合初学者入门的 相较于其他主流类编程语言 Python具有更好的可读性 因此上手更容易 而且即便你是零基础也一样能学会 零
  • 【深度学习】(二)神经网络:激活函数、MNIST

    感知机需要人为设定符合预期输入输出的权重 神经网络可以自动地从数据中心学习到合适的参数 质朴感知机 指单层网络 激活函数使用了阶跃函数的模型 多层感知机 指神经网络 使用平滑的激活函数的多层网络 激活函数 激活函数是将输入信号的总和转换为输