注：本文根据阿卡蒂奥的Python深度学习博客文章代码进行调整，修复了少量问题，原文地址：https://blog.csdn.net/akadiao/article/details/78175737

1. 运行环境建议

Python 2.x

2. 准备

S1. 创建工程目录，名字自定义。

S2. 在上述工程目录中创建空白源码文件main.py。

S3. 下载MNIST手写数字图像数据集文件 mnist.pkl.gz，这里给出两个下载地址：
https://gitlab.umiacs.umd.edu/tomg/admm_nets/raw/master/data/mnist.pkl.gz
https://raw.githubusercontent.com/mnielsen/neural-networks-and-deep-learning/master/data/mnist.pkl.gz

S4. 将下载的mnist.pkl.gz文件拷贝至S1步骤创建的工程目录下，如下图所示：

3. 粘贴代码

在main.py中粘贴如下代码，代码中包含了数据读取、图像显示、深度网络等部分：

import cPickle
import gzip
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import randomdef load_data():f = gzip.open('mnist.pkl.gz', 'rb')training_data, validation_data, test_data = cPickle.load(f)f.close()return (training_data, validation_data, test_data)def showimage():training_set, validation_set, test_set = load_data()flattened_images = validation_set[0]images = [np.reshape(f, (-1, 28)) for f in flattened_images]for i in range(16):ax = plt.subplot(4, 4, i+1)ax.matshow(images[i], cmap = matplotlib.cm.binary)plt.xticks(np.array([]))plt.yticks(np.array([]))plt.show()class Network(object):def __init__(self, sizes):self.num_layers = len(sizes)self.sizes = sizesself.biases = [np.random.randn(y, 1) for y in sizes[1:]]self.weights = [np.random.randn(y, x) for x, y in zip(sizes[:-1], sizes[1:])]# print self.weights# print self.biasesdef feedforward(self, a):for b, w in zip(self.biases, self.weights):a = sigmoid(np.dot(w, a) + b)return adef SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None):if test_data:n_test = len(test_data)n = len(training_data)for j in xrange(epochs):random.shuffle(training_data)mini_batches = [training_data[k:k + mini_batch_size]for k in xrange(0, n, mini_batch_size)]for mini_batch in mini_batches:self.update_mini_batch(mini_batch, eta)if test_data:print "Epoch {0}: {1} / {2}".format(j, self.evaluate(test_data), n_test)else:print "Epoch {0} complete".format(j)def update_mini_batch(self, mini_batch, eta):nabla_b = [np.zeros(b.shape) for b in self.biases]nabla_w = [np.zeros(w.shape) for w in self.weights]for x, y in mini_batch:delta_nabla_b, delta_nabla_w = self.backprop(x, y)nabla_b = [nb + dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]nabla_w = [nw + dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]self.weights = [w - (eta / len(mini_batch)) * nwfor w, nw in zip(self.weights, nabla_w)]self.biases = [b - (eta / len(mini_batch)) * nbfor b, nb in zip(self.biases, nabla_b)]def backprop(self, x, y):nabla_b = [np.zeros(b.shape) for b in self.biases]nabla_w = [np.zeros(w.shape) for w in self.weights]activation = xactivations = [x]zs = []for b, w in zip(self.biases, self.weights):z = np.dot(w, activation) + bzs.append(z)activation = sigmoid(z)activations.append(activation)delta = self.cost_derivative(activations[-1], y) * sigmoid_prime(zs[-1])nabla_b[-1] = deltanabla_w[-1] = np.dot(delta, activations[-2].transpose())for l in xrange(2, self.num_layers):z = zs[-l]sp = sigmoid_prime(z)delta = np.dot(self.weights[-l + 1].transpose(), delta) * spnabla_b[-l] = deltanabla_w[-l] = np.dot(delta, activations[-l - 1].transpose())return (nabla_b, nabla_w)def evaluate(self, test_data):test_results = [(np.argmax(self.feedforward(x)), y) for (x, y) in test_data]return sum(int(x == y) for (x, y) in test_results)def cost_derivative(self, output_activations, y):return (output_activations - y)def sigmoid(z):return 1.0 / (1.0 + np.exp(-z))def sigmoid_prime(z):return sigmoid(z) * (1 - sigmoid(z))def vectorized_result(j):e = np.zeros((10, 1))e[j] = 1.0return edef load_data_wrapper():tr_d, va_d, te_d = load_data()training_inputs = [np.reshape(x, (784, 1)) for x in tr_d[0]]training_results = [vectorized_result(y) for y in tr_d[1]]training_data = zip(training_inputs, training_results)validation_inputs = [np.reshape(x, (784, 1)) for x in va_d[0]]validation_data = zip(validation_inputs, va_d[1])test_inputs = [np.reshape(x, (784, 1)) for x in te_d[0]]test_data = zip(test_inputs, te_d[1])return (training_data, validation_data, test_data)if __name__ == '__main__':training_data, valivation_data, test_data = load_data_wrapper()net = Network([784, 30, 10])net.SGD(training_data, 10, 10, 3.0, test_data=test_data)showimage()

这里省略了注释，希望阅读注释的同学可以访问阿卡蒂奥的原文：
https://blog.csdn.net/akadiao/article/details/78175737

4. 运行

进入到源码目录中，在终端中运行如下命令即可运行算法（请确保当前的Python版本为2.x）：

python main.py

运行后，终端中会有如下输出，其中斜杠左边的数字表示test阶段正确的数目，如下图所示：

算法全部迭代完成之后，会显示MNIST中的图像，如下图所示：

5. 可能出现的问题及解决方法

问题 1： 找不到matplotlib模块，ImportError: No module named matplotlib。
解决： 在自己的Python 2.x环境中安装matplotlib库，可以用命令conda install matplotlib进行安装。

问题 2： 找不到numpy模块，ImportError: No module named numpy。
解决： 在自己的Python 2.x环境中安装numpy库，可以用命令conda install numpy进行安装。

问题 3： 算法完成迭代后不显示MNIST手写数字图像，报错直接退出，错误信息如下：

Fontconfig warning: FcPattern object weight does not accept value [50 200)
Segmentation fault (core dumped)

解决： matplotlib不显示画面或者发生error的问题容易出现在虚拟Python环境中。如果遇到了此问题，请首先确认自己的Python 2.x环境是不是设置为agg类型的后端，逐行运行如下代码进行查看：

Python
import matplotlib
matplotlib.get_backend()

若为形如agg类型的后端，则需要将其改为TkAgg类型的后端，方法如下：

S1. 在自己的Python 2.x环境中，首先卸载已经安装的matplotlib库，可以用命令conda uninstall matplotlib来卸载。

S2. 新建终端窗口（系统终端，非python虚拟环境下的终端），运行命令sudo apt-get install tcl-dev tk-dev python-tk安装Tk GUI。

S3. 在自己的Python 2.x环境中，重新安装matplotlib库，可以用命令conda install matplotlib进行安装。

S4. 打开main.py文件，在第3行代码后面增加如下一行代码：

matplotlib.use('TkAgg')

增加代码后的main.py文件如下图所示：

S5. 重新运行源码即可。

最后再次感谢阿卡蒂奥博主的无私分享，其后续还有两篇更加深入的Python深度学习MNIST手写数字识别示例，推荐阅读，地址：
https://blog.csdn.net/akadiao/article/details/78230264
https://blog.csdn.net/akadiao/article/details/78273815

Python实现深度学习MNIST手写数字识别（单文件，非框架，无需GPU，适合初学者）相关推荐

Python基于深度学习的手写数字识别
Python基于深度学习的手写数字识别 1.代码的功能和运行方法 2. 网络设计 3.训练方法 4.实验结果分析 5.结论 1.代码的功能和运行方法代码可以实现任意数字0-9的识别,只需要将图片载入 ...
基于深度学习的手写数字识别、python实现
基于深度学习的手写数字识别.python实现一.what is 深度学习二.加深层可以减少网络的参数数量三.深度学习的手写数字识别一.what is 深度学习深度学习是加深了层的深度神经网络 ...
基于深度学习的手写数字识别算法Python实现
摘要深度学习是传统机器学习下的一个分支,得益于近些年来计算机硬件计算能力质的飞跃,使得深度学习成为了当下热门之一.手写数字识别更是深度学习入门的经典案例,学习和理解其背后的原理对于深度学习的理解有 ...
03_深度学习实现手写数字识别（python）
本次项目采用了多种模型进行测试,并尝试策略来提升模型的泛化能力,最终取得了99.67%的准确率,并采用pyqt5来制作可视化GUI界面进行呈现.具体代码已经开源. 代码详情见附录 1简介早在1998 ...
【深度学习】手写数字识别Tensorflow2实验报告
实验一:手写数字识别一.实验目的利用深度学习实现手写数字识别,当输入一张手写图片后,能够准确的识别出该图片中数字是几.输出内容是0.1.2.3.4.5.6.7.8.9的其中一个. 二.实验原理 ( ...
基于深度学习的手写数字识别Matlab实现
基于深度学习的手写数字识别Matlab实现 1.网络设计 2. 训练方法 3.实验结果 4.实验结果分析 5.结论 1.网络设计 1.1 CNN(特征提取网络+分类网络) 随着深度学习的迅猛发展,其应 ...
mnist手写数字识别python_Python tensorflow实现mnist手写数字识别示例【非卷积与卷积实现】...
本文实例讲述了Python tensorflow实现mnist手写数字识别.分享给大家供大家参考,具体如下: 非卷积实现 import tensorflow as tf from tensorflow ...
用python的numpy实现mnist手写数字识别
完整代码的文章底部(Optimization_mnist.py和lr_utils.py),原理和公式部分可以看前面文章,转载文章请附上本文链接学完前面(1到6)文章就完成了吴恩达deeplearni ...
深度学习数字仪表盘识别_深度学习之手写数字识别项目（Sequential方法amp;Class方法进阶版）...
此项目使用LeNet模型针对手写数字进行分类.项目中我们分别采用了顺序式API和子类方法两种方式构建了LeNet模型训练mnist数据集,并编写了给图识物应用程序用于手写数字识别. 一.LeNet模型 ...

Python实现深度学习MNIST手写数字识别（单文件，非框架，无需GPU，适合初学者）