前言
训练中读取. mat形式的训练集，测试正确率时使用png形式的图像
代码
#！ /usr/痴情之鹤/env python3
#编码=utf-8
导入匹配
导入系统
导入操作系统
import numpy as np
来自pil导入图像
import scipy.io as sio
defsigmoid(x ) :
returnNP.Array(list(map ) lambdaI:1/)1math.exp(-I )，x )
def get_train_pattern () :
#返回训练集的特征和标签
# current_dir=os.getcwd (
current _ dir='/home/lxp/f/developing _ folder/intelligence _ system/bpneuralnet/'
train=SiO.load mat (current _ dir ' Mn ist _ train.mat ' (Mn ist _ train ' ) )。
train_label=sio.loadmat (
current _ dir ' Mn ist _ train _ labels.mat ' ) ['mnist_train_labels']
train=NP.where (train 180，1，0 ) #二值化
return train，train_label
def get_test_pattern () :
#返回测试集
# base_url=os.getcwd (() )/test/) )。
base _ URL='/home/lxp/f/developing _ folder/intelligence _ system/bpneuralnet/Mn ist _ test/'
test_img_pattern=[]
forIinrange(10 ) :
img _ URL=OS.list dir (base _ urlstr (I ) )
t=[]
for url in img_url:
img=image.open(base_URLstr(I ) '/' url ) ) )。
img=img.convert('1' ) #二值化
将img_array=NP.asarray(img，' I ' ) #转换为int数组
img_vector=img_array.reshape (
img _ array.shape [0] * img _ array.shape [1] #展开为一维数组
t.append(img_vector ) )。
test_img_pattern.append(t )
return test_img_pattern
class BP网络：
#神经网络系统
def __init__(self，in_count，hiden_count，out_count，in_rate，hiden_rate ) :
''''
:param in_count:输入阶数
:param hiden_count:隐藏层数
:param out_count:输出级数
:param in_rate:输入层学习率
:param hiden_rate:隐藏层学习率
''''
#各层的节点数
self.in_count=in_count
self.hiden_count=hiden_count
self.out_count=out_count
#随机初始化从层到隐藏层的连接权重
self.w1=0.2 *
NP.random.random ((self.in _ count，self.hiden_count ) )- 0.1
#随机初始化从隐藏层到输出层的连接权重
self.w2=0.2 *
NP.random.random ((self.hiden _ count，self.out_count ) )- 0.1
#隐藏层偏移向量
self.hiden _ offset=NP.zeros (self.hiden _ count ) )。
#输出层偏移矢量
(self.out _ offset=NP.zeros (self.out _ count ) ) ) ) ) ) )。
#输入层的学习率
self.in_rate=in_rate
#隐藏层学习率
self.hiden_rate = hiden_rate
def train(self, train_img_pattern, train_label):
if self.in_count != len(train_img_pattern[0]):
sys.exit("输入层维数与样本维数不等")
# for num in range(10):
# for num in range(10):
for i in range(len(train_img_pattern)):
if i % 5000 == 0:
print(i)
# 生成目标向量
target = [0] * 10
target[train_label[i][0]] = 1
# for t in range(len(train_img_pattern[num])):
# 前向传播
# 隐藏层值等于输入层*w1+隐藏层偏置
hiden_value = np.dot(
train_img_pattern[i], self.w1) + self.hiden_offset
hiden_value = sigmoid(hiden_value)
# 计算输出层的输出
out_value = np.dot(hiden_value, self.w2) + self.out_offset
out_value = sigmoid(out_value)
# 反向更新
error = target - out_value
# 计算输出层误差
out_error = out_value * (1 - out_value) * error
# 计算隐藏层误差
hiden_error = hiden_value *
(1 - hiden_value) * np.dot(self.w2, out_error)
# 更新w2，w2是j行k列的矩阵，存储隐藏层到输出层的权值
for k in range(self.out_count):
# 更新w2第k列的值，连接隐藏层所有节点到输出层的第k个节点的边
# 隐藏层学习率×输入层误差×隐藏层的输出值
self.w2[:, k] += self.hiden_rate * out_error[k] * hiden_value
# 更新w1
for j in range(self.hiden_count):
self.w1[:, j] += self.in_rate *
hiden_error[j] * train_img_pattern[i]
# 更新偏置向量
self.out_offset += self.hiden_rate * out_error
self.hiden_offset += self.in_rate * hiden_error
def test(self, test_img_pattern):
"""
测试神经网络的正确率
:param test_img_pattern[num][t]表示数字num的第t张图片
:return:
"""
right = np.zeros(10)
test_sum = 0
for num in range(10): # 10个数字
# print("正在识别", num)
num_count = len(test_img_pattern[num])
test_sum += num_count
for t in range(num_count): # 数字num的第t张图片
hiden_value = np.dot(
test_img_pattern[num][t], self.w1) + self.hiden_offset
hiden_value = sigmoid(hiden_value)
out_value = np.dot(hiden_value, self.w2) + self.out_offset
out_value = sigmoid(out_value)
# print(out_value)
if np.argmax(out_value) == num:
# 识别正确
right[num] += 1
print("数字%d的识别正确率%f" % (num, right[num] / num_count))
# 平均识别率
print("平均识别率为：", sum(right) / test_sum)
"""
def test1:
"""
def run():
# 读入训练集
train, train_label = get_train_pattern()
# 读入测试图片
test_pattern = get_test_pattern()
# 神经网络配置参数
in_count = 28 * 28
hiden_count = 6
out_count = 10
in_rate = 0.1
hiden_rate = 0.1
bpnn = BPNetwork(in_count, hiden_count, out_count, in_rate, hiden_rate)
bpnn.train(train, train_label)
bpnn.test(test_pattern)
# 单张测试
# 识别单独一张图片，返回识别结果
"""
while True:
img_name = input("输入要识别的图片n")
base_url = "/home/lxp/F/developing_folder/intelligence_system/bpneuralnet/"
img_url = base_url + img_name
img = Image.open(img_url)
img = img.convert('1') # 二值化
img_array = np.asarray(img, 'i') # 转化为int数组
# 得到图片的特征向量
img_v = img_array.reshape(img_array.shape[0] * img_array.shape[1]) # 展开成一维数组
bpnn.test1(img_v)
"""
if __name__ == "__main__":
run()
# train, train_label = get_train_pattern()
# print(train_label[5][0])
# test = get_test_pattern()