偷得浮生半日闲：手写数字的识别

本次我们利用拟利用三层神经网络来识别手写数字，利用http://pjreddie.com/projects/mnist-in-csv/提供的训练数字和测试数字，来进行网络的训练。隐藏层设置为100个节点，学习率设置为0.3，并将全部数据集训练5次。最终得到正确率为

import numpy
import scipy.special
class network:def __init__(self,input_nodes,hidden_nodes,output_nodes,learn):self.inodes=input_nodesself.hnodes=hidden_nodesself.onodes=output_nodesself.lr=learnself.w_ih=(numpy.random.normal(0.0,pow(self.hnodes,-0.5),(self.hnodes,self.inodes)))self.w_ho=(numpy.random.normal(0.0,pow(self.onodes,-0.5),(self.onodes,self.hnodes)))def sigmod_function(self,x):return scipy.special.expit(x)def query(self,input_list):input=numpy.array(input_list,ndmin=2).Thidden_input=numpy.dot(self.w_ih,input)hidden_out=self.sigmod_function(hidden_input)outre_input=numpy.dot(self.w_ho,hidden_out)outre_output=self.sigmod_function(outre_input)return outre_outputdef train(self,input_list,output_list):input=numpy.array(input_list,ndmin=2).Ttarget=numpy.array(output_list,ndmin=2).Thidden_input=numpy.dot(self.w_ih,input)hidden_out=self.sigmod_function(hidden_input)outre_input=numpy.dot(self.w_ho,hidden_out)outre_output=self.sigmod_function(outre_input)output_errors=target-outre_outputhidden_errors=numpy.dot(self.w_ho.T,output_errors)self.w_ho+=self.lr*numpy.dot(output_errors*outre_output*(1-outre_output),hidden_out.T)self.w_ih+=self.lr*numpy.dot(hidden_errors*hidden_out*(1-hidden_out),input.T)
input_nodes=784
output_nodes=10
hidden_nodes=100
learn=0.3
n=network(input_nodes,hidden_nodes,output_nodes,learn)
f=open("D:\\bpnetwork\\mnist_train.csv",'r')
train_data=f.readlines()
f.close()
for record in train_data:all_values=record.split(',')input_list=(numpy.asfarray(all_values[1:])/255.0*0.99)+0.01output_list=numpy.zeros(output_nodes)+0.01output_list[int(all_values[0])]=0.99n.train(input_list,output_list)
f=open("D:\\bpnetwork\\mnist_test.csv",'r')
test_data=f.readlines()
f.close()
result=[]
for record in test_data:data=record.split(',')test_per=(numpy.asfarray(data[1:])/255.0*0.99)+0.01label_result=numpy.argmax(n.query(test_per))label_correct=int(data[0])if label_result==label_correct:result.append('1')else:result.append('0')
length=len(result)
i=0
cnt=0while i<length:if result[i]=='1':cnt+=1i+=1
print(cnt/length)

正确率如图所示：

偷得浮生半日闲：手写数字的识别相关推荐

linux手写数字识别opencv,opencv实现KNN手写数字的识别
人工智能是当下很热门的话题,手写识别是一个典型的应用.为了进一步了解这个领域,我阅读了大量的论文,并借助opencv完成了对28x28的数字图片(预处理后的二值图像)的识别任务. 预处理一张图片: 首 ...
DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测目录输出结果设计思路核心代码输出结果下边两张 ...
DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测目录输出结果设计思路核心代码输出结果 1.10 ...
DL之DNN：利用DNN【784→50→100→10】算法对MNIST手写数字图片识别数据集进行预测、模型优化
DL之DNN:利用DNN[784→50→100→10]算法对MNIST手写数字图片识别数据集进行预测.模型优化导读目的是建立三层神经网络,进一步理解DNN内部的运作机制目录输出结果设计思路 ...
Dataset之Handwritten Digits：Handwritten Digits(手写数字图片识别)数据集简介、安装、使用方法之详细攻略
Dataset之Handwritten Digits:Handwritten Digits(手写数字图片识别)数据集简介.安装.使用方法之详细攻略目录 Handwritten Digits数据集的简 ...
TF之NN：利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别
TF之NN:利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别目录输出结果代码设计输出结果代码设计 ...
TF：基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99%
TF:基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99% 导读与Softmax回归模型相比,使用两层卷积的神经网络模型借助了卷积的威力,准确率高非常大的提升. 目录输出结果代码 ...
TF：利用是Softmax回归+GD算法实现MNIST手写数字图片识别(10000张图片测试得到的准确率为92%)
TF:利用是Softmax回归+GD算法实现MNIST手写数字图片识别(10000张图片测试得到的准确率为92%) 目录设计思路全部代码设计思路全部代码 #TF:利用是Softmax回归+GD ...
Dataset之MNIST：MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集)
Dataset之MNIST:MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集) 目录数据集下载的所有代码 1.主文件 mni ...
TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率
TF之LoR:基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率目录输出结果设计代码输出结果设计代码 #TF之LoR:基于tensorflow实现手写数字图片识别准 ...

偷得浮生半日闲：手写数字的识别

偷得浮生半日闲：手写数字的识别相关推荐

最新文章

热门文章