python神经网络案例——CNN卷积神经网络实现mnist手写体识别

分享一个朋友的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！大家可以看看是否对自己有帮助：点击打开

全栈工程师开发手册 （作者：栾鹏）

python教程全解

CNN卷积神经网络的理论教程参考

/luanpeng825485697/article/details/79009241

加载样本数据集

首先我们要有手写体的数据集文件

t10k-images.idx3-ubyte

t10k-labels.idx1-ubyte

train-images.idx3-ubyte

train-labels.idx1-ubyte

我们实现一个MNIST.py文件，专门用来读取手写体文件中的数据。

# -*- coding: UTF-8 -*-# 获取手写数据。# 28*28的图片对象。每个图片对象根据需求是否转化为长度为784的横向量# 每个对象的标签为0-9的数字，one-hot编码成10维的向量import numpy as np# 数据加载器基类。派生出图片加载器和标签加载器class Loader(object):# 初始化加载器。path: 数据文件路径。count: 文件中的样本个数def __init__(self, path, count):self.path = pathself.count = count# 读取文件内容def get_file_content(self):print(self.path)f = open(self.path, 'rb')content = f.read() # 读取字节流f.close()return content # 字节数组# 将unsigned byte字符转换为整数。python3中bytes的每个分量读取就会变成int# def to_int(self, byte):#return struct.unpack('B', byte)[0]# 图像数据加载器class ImageLoader(Loader):# 内部函数，从文件字节数组中获取第index个图像数据。文件中包含所有样本图片的数据。def get_picture(self, content, index):start = index * 28 * 28 + 16 # 文件头16字节，后面每28*28个字节为一个图片数据picture = []for i in range(28):picture.append([]) # 图片添加一行像素for j in range(28):byte1 = content[start + i * 28 + j]picture[i].append(byte1) # python3中本来就是int# picture[i].append(self.to_int(byte1)) # 添加一行的每一个像素return picture # 图片为[[x,x,x..][x,x,x...][x,x,x...][x,x,x...]]的列表# 将图像数据转化为784的行向量形式def get_one_sample(self, picture):sample = []for i in range(28):for j in range(28):sample.append(picture[i][j])return sample# 加载数据文件，获得全部样本的输入向量。onerow表示是否将每张图片转化为行向量，to2表示是否转化为0,1矩阵def load(self,onerow=False):content = self.get_file_content() # 获取文件字节数组data_set = []for index in range(self.count): #遍历每一个样本onepic =self.get_picture(content, index) # 从样本数据集中获取第index个样本的图片数据，返回的是二维数组if onerow: onepic = self.get_one_sample(onepic) # 将图像转化为一维向量形式data_set.append(onepic)return data_set# 标签数据加载器class LabelLoader(Loader):# 加载数据文件，获得全部样本的标签向量def load(self):content = self.get_file_content() # 获取文件字节数组labels = []for index in range(self.count): #遍历每一个样本onelabel = content[index + 8] # 文件头有8个字节onelabelvec = self.norm(onelabel) #one-hot编码labels.append(onelabelvec)return labels# 内部函数，one-hot编码。将一个值转换为10维标签向量def norm(self, label):label_vec = []# label_value = self.to_int(label)label_value = label # python3中直接就是intfor i in range(10):if i == label_value:label_vec.append(1)else:label_vec.append(0)return label_vec# 获得训练数据集。onerow表示是否将每张图片转化为行向量def get_training_data_set(num,onerow=False):image_loader = ImageLoader('train-images.idx3-ubyte', num) # 参数为文件路径和加载的样本数量label_loader = LabelLoader('train-labels.idx1-ubyte', num) # 参数为文件路径和加载的样本数量return image_loader.load(onerow), label_loader.load()# 获得测试数据集。onerow表示是否将每张图片转化为行向量def get_test_data_set(num,onerow=False):image_loader = ImageLoader('t10k-images.idx3-ubyte', num) # 参数为文件路径和加载的样本数量label_loader = LabelLoader('t10k-labels.idx1-ubyte', num) # 参数为文件路径和加载的样本数量return image_loader.load(onerow), label_loader.load()# 将一行784的行向量，打印成图形的样式def printimg(onepic):onepic=onepic.reshape(28,28)for i in range(28):for j in range(28):if onepic[i,j]==0: print(' ',end='')else: print('* ',end='')print('')if __name__=="__main__":train_data_set, train_labels = get_training_data_set(100) # 加载训练样本数据集，和one-hot编码后的样本标签数据集train_data_set = np.array(train_data_set) #.astype(bool).astype(int) #可以将图片简化为黑白图片train_labels = np.array(train_labels)onepic = train_data_set[12] # 取一个样本printimg(onepic) # 打印出来这一行所显示的图片print(train_labels[12].argmax()) # 打印样本标签

我们尝试运行一下。读取第13个样本的内容。

可以看到打印输出样式如下。

激活器模块

CNN卷积神经网络并不是只有卷积层，还有采样层和全连接层。在卷积层和全连接层都有激活函数。并且在前向预测和后项传播中需要计算激活函数的前向预测影响，以及误差后项传播影响。所以我们将所有的激活函数形成了一个独立的模块来实现。下面的代码存储为Activators.py

# 1. 当为array的时候，默认d*f就是对应元素的乘积，multiply也是对应元素的乘积，dot（d,f）会转化为矩阵的乘积， dot点乘意味着相加，而multiply只是对应元素相乘，不相加# 2. 当为mat的时候，默认d*f就是矩阵的乘积，multiply转化为对应元素的乘积，dot（d,f）为矩阵的乘积import numpy as np# rule激活器class ReluActivator(object):def forward(self, weighted_input): # 前向计算，计算输出return max(0, weighted_input)def backward(self, output): # 后向计算，计算导数return 1 if output > 0 else 0# IdentityActivator激活器.f(x)=xclass IdentityActivator(object):def forward(self, weighted_input): # 前向计算，计算输出return weighted_inputdef backward(self, output): # 后向计算，计算导数return 1#Sigmoid激活器class SigmoidActivator(object):def forward(self, weighted_input):return 1.0 / (1.0 + np.exp(-weighted_input))def backward(self, output):# return output * (1 - output)return np.multiply(output, (1 - output)) # 对应元素相乘# tanh激活器class TanhActivator(object):def forward(self, weighted_input):return 2.0 / (1.0 + np.exp(-2 * weighted_input)) - 1.0def backward(self, output):return 1 - output * output# # softmax激活器# class SoftmaxActivator(object):#def forward(self, weighted_input): # 前向计算，计算输出# return max(0, weighted_input)##def backward(self, output): # 后向计算，计算导数# return 1 if output > 0 else 0

DNN全连接网络层的实现

将下面的代码存储为DNN.py

# 实现神经网络反向传播算法，以此来训练网络。全连接神经网络可以包含多层，但是只有最后一层输出前有激活函数。# 所谓向量化编程，就是使用矩阵运算。import randomimport mathimport numpy as npimport datetimeimport Activators # 引入激活器模块# 1. 当为array的时候，默认d*f就是对应元素的乘积，multiply也是对应元素的乘积，dot（d,f）会转化为矩阵的乘积， dot点乘意味着相加，而multiply只是对应元素相乘，不相加# 2. 当为mat的时候，默认d*f就是矩阵的乘积，multiply转化为对应元素的乘积，dot（d,f）为矩阵的乘积# 全连接每层的实现类。输入对象x、神经层输出a、输出y均为列向量class FullConnectedLayer(object):# 全连接层构造函数。input_size: 本层输入列向量的维度。output_size: 本层输出列向量的维度。activator: 激活函数def __init__(self, input_size, output_size,activator,learning_rate):self.input_size = input_sizeself.output_size = output_sizeself.activator = activator# 权重数组W。初始化权重为(rand(output_size, input_size) - 0.5) * 2 * sqrt(6 / (output_size + input_size))wimin = (output_size - 0.5) * 2 * math.sqrt(6 / (output_size + input_size))wimax = (input_size-0.5)*2*math.sqrt(6/(output_size + input_size))# self.W = np.random.uniform(wimin,wimax,(output_size, input_size)) #初始化为-0.1~0.1之间的数。权重的大小。行数=输出个数，列数=输入个数。a=w*x，a和x都是列向量self.W = np.random.uniform(-0.1, 0.1,(output_size, input_size)) # 初始化为-0.1~0.1之间的数。权重的大小。行数=输出个数，列数=输入个数。a=w*x，a和x都是列向量# 偏置项bself.b = np.zeros((output_size, 1)) # 全0列向量偏重项# 学习速率self.learning_rate = learning_rate# 输出向量self.output = np.zeros((output_size, 1)) #初始化为全0列向量# 前向计算，预测输出。input_array: 输入列向量，维度必须等于input_sizedef forward(self, input_array): # 式2self.input = input_arrayself.output = self.activator.forward(np.dot(self.W, input_array) + self.b)# 反向计算W和b的梯度。delta_array: 从上一层传递过来的误差项。列向量def backward(self, delta_array):# 式8self.delta = np.multiply(self.activator.backward(self.input),np.dot(self.W.T, delta_array)) #计算当前层的误差，以备上一层使用self.W_grad = np.dot(delta_array, self.input.T) # 计算w的梯度。梯度=误差.*输入self.b_grad = delta_array #计算b的梯度# 使用梯度下降算法更新权重def update(self):self.W += self.learning_rate * self.W_gradself.b += self.learning_rate * self.b_grad

CNN卷积网络层和Pool降采样层的实现

将下面的代码存储为CNN.py

import numpy as npimport Activators # 引入自定义的激活器模块import math# 获取卷积区域。input_array为单通道或多通道的矩阵顺。i为横向偏移，j为纵向偏移，stride为步幅，filter_width为过滤器宽度，filter_height为过滤器的高度def get_patch(input_array, i, j, filter_width,filter_height, stride):'''从输入数组中获取本次卷积的区域，自动适配输入为2D和3D的情况'''start_i = i * stridestart_j = j * strideif input_array.ndim == 2: #如果只有一个通道return input_array[start_i:start_i + filter_height,start_j: start_j + filter_width]elif input_array.ndim == 3: #如果有多个通道，也就是深度上全选return input_array[:,start_i: start_i + filter_height,start_j: start_j + filter_width]# 获取一个2D区域的最大值所在的索引def get_max_index(array):location = np.where(array == np.max(array))return location[0], location[1]# 计算一个过滤器的卷积运算，输出一个二维数据。每个通道的输入是图片，但是可能不是一个通道，所以这里自动适配输入为2D和3D的情况。def conv(input_array,kernel_array,output_array,stride, bias):output_width = output_array.shape[1] # 获取输出的宽度。一个过滤器产生的输出一定是一个通道output_height = output_array.shape[0] # 获取输出的高度kernel_width = kernel_array.shape[-1] # 过滤器的宽度。有可能有多个通道。多通道时shape=[深度、高度、宽度]，单通道时shape=[高度、宽度]kernel_height = kernel_array.shape[-2] # 过滤器的高度。有可能有多个通道。多通道时shape=[深度、高度、宽度]，单通道时shape=[高度、宽度]for i in range(output_height):for j in range(output_width):juanjiqu = get_patch(input_array, i, j, kernel_width,kernel_height, stride) # 获取输入的卷积区。（单通道或多通道）# 这里是对每个通道的两个矩阵对应元素相乘求和，再将每个通道的和值求和kernel_values= (np.multiply(juanjiqu,kernel_array)).sum() # 卷积区与过滤器卷积运算。1，一个通道内，卷积区矩阵与过滤器矩阵对应点相乘后，求和值。2、将每个通道的和值再求和。output_array[i][j] = kernel_values + bias #将卷积结果加上偏量# 为数组增加Zero padding。zp步长，自动适配输入为2D和3D的情况def padding(input_array, zp):if zp == 0: # 如果不补0return input_arrayelse:if input_array.ndim == 3: # 如果输入有多个通道input_width = input_array.shape[2] # 获取输入的宽度input_height = input_array.shape[1] # 获取输入的宽度input_depth = input_array.shape[0] # 获取输入的深度padded_array = np.zeros((input_depth,input_height + 2 * zp,input_width + 2 * zp)) # 先定义一个补0后大小的全0矩阵padded_array[:,zp: zp + input_height,zp: zp + input_width] = input_array # 每个通道上，将中间部分替换成输入，这样就变成了原矩阵周围补0 的形式return padded_arrayelif input_array.ndim == 2: # 如果输入只有一个通道input_width = input_array.shape[1] # 获取输入的宽度input_height = input_array.shape[0] # 虎丘输入的高度padded_array = np.zeros((input_height + 2 * zp,input_width + 2 * zp)) # 先定义一个补0后大小的全0矩阵padded_array[zp: zp + input_height,zp: zp + input_width] = input_array # 将中间部分替换成输入，这样就变成了原矩阵周围补0 的形式return padded_array# 对numpy数组进行逐个元素的操作。op为函数。element_wise_op函数实现了对numpy数组进行按元素操作，并将返回值写回到数组中def element_wise_op(array, op):for i in np.nditer(array,op_flags=['readwrite']):i[...] = op(i) # 将元素i传入op函数，返回值，再修改i# Filter类保存了卷积层的参数以及梯度，并且实现了用梯度下降算法来更新参数。class Filter(object):def __init__(self, width, height, depth,filter_num):# 卷积核每个元素初始化为[-sqrt(6 / (fan_in + fan_out)), sqrt(6 / (fan_in + fan_out))]。# 其中fan_in为输入通道数与滤波器宽高的乘机，即width*height*depth# 其中fan_out为输出通道数与滤波器宽高的乘机，即width*height*filter_numwimin = -math.sqrt(6 / (width*height*depth + width*height*filter_num))wimax = -wiminself.weights = np.random.uniform(wimin, wimax, (depth, height, width)) # 随机初始化卷基层权重一个很小的值，# self.weights = np.random.uniform(-1e-2, 1e-2,(depth, height, width)) # 随机初始化卷基层权重一个很小的值，self.bias = 0 # 初始化偏量为0self.weights_grad = np.zeros(self.weights.shape) # 初始化权重梯度self.bias_grad = 0 # 初始化偏量梯度def __repr__(self):return 'filter weights:\n%s\nbias:\n%s' % (repr(self.weights), repr(self.bias))# 读取权重def get_weights(self):return self.weights# 读取偏量def get_bias(self):return self.bias# 更新权重和偏量def update(self, learning_rate):self.weights -= learning_rate * self.weights_gradself.bias -= learning_rate * self.bias_grad# 用ConvLayer类来实现一个卷积层。下面的代码是初始化一个卷积层，可以在构造函数中设置卷积层的超参数class ConvLayer(object):#初始化构造卷积层：输入宽度、输入高度、通道数、滤波器宽度、滤波器高度、滤波器数目、补零数目、步长、激活器、学习速率def __init__(self, input_width, input_height,channel_number, filter_width,filter_height, filter_number,zero_padding, stride, activator,learning_rate):self.input_width = input_width # 输入宽度self.input_height = input_height # 输入高度self.channel_number = channel_number # 通道数=输入的深度=过滤器的深度self.filter_width = filter_width # 过滤器的宽度self.filter_height = filter_height # 过滤器的高度self.filter_number = filter_number # 过滤器的数量。self.zero_padding = zero_padding # 补0圈数self.stride = stride # 步幅self.output_width = int(ConvLayer.calculate_output_size(self.input_width, filter_width, zero_padding,stride)) # 计算输出宽度self.output_height = int(ConvLayer.calculate_output_size(self.input_height, filter_height, zero_padding,stride)) # 计算输出高度self.output_array = np.zeros((self.filter_number,self.output_height, self.output_width)) # 创建输出三维数组。每个过滤器都产生一个二维数组的输出self.filters = [] # 卷积层的每个过滤器for i in range(filter_number):self.filters.append(Filter(filter_width,filter_height, self.channel_number,filter_number))self.activator = activator # 使用rule激活器self.learning_rate = learning_rate # 学习速率# 计算卷积层的输出。输出结果保存在self.output_arraydef forward(self, input_array):self.input_array = input_array # 多个通道的图片，每个通道为一个二维图片self.padded_input_array = padding(input_array,self.zero_padding) # 先将输入补足0for i in range(self.filter_number): #每个过滤器都产生一个二维数组的输出filter = self.filters[i]conv(self.padded_input_array,filter.get_weights(), self.output_array[i],self.stride, filter.get_bias())# element_wise_op函数实现了对numpy数组进行按元素操作，并将返回值写回到数组中element_wise_op(self.output_array,self.activator.forward)# 后向传播。input_array为该层的输入，sensitivity_array为当前层的输出误差（和输出的维度相同），activator为激活函数def backward(self, input_array, sensitivity_array,activator):'''计算传递给前一层的误差项，以及计算每个权重的梯度前一层的误差项保存在self.delta_array梯度保存在Filter对象的weights_grad'''self.forward(input_array) # 先根据输入计算经过该卷积层后的输出。（卷积层有几个过滤器，输出层的深度就是多少。输出每一层为一个二维数组）self.bp_sensitivity_map(sensitivity_array, activator) # 将误差传递到前一层，self.delta_array存储上一次层的误差self.bp_gradient(sensitivity_array) # 计算每个过滤器的w和b梯度# 按照梯度下降，更新权重def update(self):for filter in self.filters:filter.update(self.learning_rate) # 每个过滤器# 将误差项传递到上一层。sensitivity_array: 本层的误差。activator: 上一层的激活函数def bp_sensitivity_map(self, sensitivity_array,activator): # 公式9# 根据卷积步长，对原始sensitivity map进行补0扩展，扩展成如果步长为1的输出误差形状。再用公式8求解expanded_error_array = self.expand_sensitivity_map(sensitivity_array)# print(sensitivity_array)# full卷积，对sensitivitiy map进行zero padding# 虽然原始输入的zero padding单元也会获得残差，但这个残差不需要继续向上传递，因此就不计算了expanded_width = expanded_error_array.shape[2] # 误差的宽度zp = int((self.input_width + self.filter_width - 1 - expanded_width) / 2) # 计算步长padded_array = padding(expanded_error_array, zp) #补0操作# 初始化delta_array，用于保存传递到上一层的sensitivity mapself.delta_array = self.create_delta_array()# 对于具有多个filter的卷积层来说，最终传递到上一层的sensitivity map相当于所有的filter的sensitivity map之和for i in range(self.filter_number): # 遍历每一个过滤器。每个过滤器都产生多通道的误差，多个多通道的误差叠加filter = self.filters[i]# 将滤波器每个通道的权重权重翻转180度。flipped_weights=[]for oneweight in filter.get_weights(): # 这一个滤波器下的每个通道都进行180翻转flipped_weights.append(np.rot90(oneweight, 2))flipped_weights = np.array(flipped_weights)# 计算与一个filter对应的delta_arraydelta_array = self.create_delta_array()for d in range(delta_array.shape[0]): # 计算每个通道上的误差，存储在delta_array的对应通道上# print('大小：\n',flipped_weights[d])conv(padded_array[i], flipped_weights[d],delta_array[d], 1, 0)self.delta_array += delta_array # 将每个滤波器每个通道产生的误差叠加# 将计算结果与激活函数的偏导数做element-wise乘法操作derivative_array = np.array(self.input_array) # 复制一个矩阵，因为下面的会改变元素的值，所以深复制了一个矩阵element_wise_op(derivative_array,activator.backward) # 逐个元素求偏导数。self.delta_array *= derivative_array # 误差乘以偏导数。得到上一层的误差# 计算梯度。根据误差值，计算本层每个过滤器的w和b的梯度def bp_gradient(self, sensitivity_array):# 处理卷积步长，对原始sensitivity map进行扩展，扩展成如果步长为1的输出误差形状。再用公式8求解expanded_error_array = self.expand_sensitivity_map(sensitivity_array)for i in range(self.filter_number): # 每个过滤器产生一个输出# 计算每个权重的梯度filter = self.filters[i]for d in range(filter.weights.shape[0]): # 过滤器的每个通道都要计算梯度conv(self.padded_input_array[d],expanded_error_array[i],filter.weights_grad[d], 1, 0) # 公式（31、32中间）# 计算偏置项的梯度filter.bias_grad = expanded_error_array[i].sum() # 公式（34）# 对步长为S的sensitivitymap相应的位置进行补0，将其『还原』成步长为1时的sensitivitymap，再用式8进行求解def expand_sensitivity_map(self, sensitivity_array):depth = sensitivity_array.shape[0] # 获取误差项的深度# 确定扩展后sensitivity map的大小，即计算stride为1时sensitivity map的大小expanded_width = (self.input_width - self.filter_width + 2 * self.zero_padding + 1)expanded_height = (self.input_height - self.filter_height + 2 * self.zero_padding + 1)# 构建新的sensitivity_mapexpand_array = np.zeros((depth, expanded_height, expanded_width))# 从原始sensitivity map拷贝误差值，每有拷贝的位置，就是要填充的0for i in range(self.output_height):for j in range(self.output_width):i_pos = i * self.stridej_pos = j * self.strideexpand_array[:, i_pos, j_pos] = sensitivity_array[:, i, j]return expand_array# 创建用来保存传递到上一层的sensitivity map的数组。（上一层的输出也就是这一层的输入。所以上一层的误差项的维度和这一层的输入的维度相同）def create_delta_array(self):return np.zeros((self.channel_number,self.input_height, self.input_width))# 确定卷积层输出的大小@staticmethoddef calculate_output_size(input_size,filter_size, zero_padding, stride):return (input_size - filter_size + 2 * zero_padding) / stride + 1# Max Pooling层的实现。就是一个卷积区域取最大值，形成输出。除了Max Pooing之外，常用的还有Mean Pooling——取各样本的平均值。# 采样层并不改变输入的通道数，也不补零，只是通过某种卷积方式实现降采样class MaxPoolingLayer(object):# 构造降采样层，参数为输入宽度、高度、通道数、滤波器宽度、滤波器高度、步长def __init__(self, input_width, input_height,channel_number, filter_width,filter_height, stride):self.input_width = input_widthself.input_height = input_heightself.channel_number = channel_numberself.filter_width = filter_widthself.filter_height = filter_heightself.stride = strideself.output_width = int((input_width -filter_width) / self.stride + 1)self.output_height = int((input_height -filter_height) / self.stride + 1)self.output_array = np.zeros((self.channel_number,self.output_height, self.output_width))# 前向计算。def forward(self, input_array):for d in range(self.channel_number):for i in range(self.output_height):for j in range(self.output_width):self.output_array[d, i, j] = (get_patch(input_array[d], i, j,self.filter_width,self.filter_height,self.stride).max()) # 获取卷积区后去最大值# 后向传播误差def backward(self, input_array, sensitivity_array):self.delta_array = np.zeros(input_array.shape)for d in range(self.channel_number):for i in range(self.output_height):for j in range(self.output_width):patch_array = get_patch(input_array[d], i, j,self.filter_width,self.filter_height,self.stride) # 获取卷积区k, l = get_max_index(patch_array) # 获取最大值的位置self.delta_array[d,i * self.stride + k,j * self.stride + l] = sensitivity_array[d, i, j] # 更新误差

CNN识别MNIST数据

有了上面的MNIST数据采集模块，DNN模块，CNN模块，就可以来构建一个包含多层的卷积神经网络实现手写体识别了。

数据集：MNIST数据集，60000张训练图像，10000张测试图像，每张图像size为28*28。每张像素值包含灰度值，即一个0-255之间的整数，而没有rgb三种颜色的值。其实我们可以进一步将像素灰度值，改为黑白像素。每个像素的值为0或1。这样更加方便。

网络层级结构示意图如下：

网络层级结构概述：5层神经网络

输入层: 输入数据为原始训练图像（我们在实现中将2828的灰度图片，改成了2828的黑白图片）

第一卷积层：6个55的过滤器（卷积核），步长Stride为1，不补0，激活函数为sigmoid。在这一层，输入为2828，深度为1的图片数据，输出为24*24的，深度为6的图片数据。

第一采样层：过滤器（卷积核）为22，步长Stride为2。在这一层，输入为2424的，深度为6的图片数据，输出为12*12的，深度为6的图片数据。

第二卷积层：12个55的过滤器（卷积核），步长Stride为1，不补0，激活函数为sigmoid。在这一层，输入为1212，深度为6的图片数据，输出为8*8的，深度为12的图片数据。

第二采样层：过滤器（卷积核）为22，步长Stride为2。在这一层，输入为88的，深度为12的图片数据，输出为4*4的，深度为12的图片数据。

输出层：线性函数输入为宽高为（4412，1）的列向量，输出为10维列向量，激活函数为sigmoid。

代码流程概述：

（1）获取训练数据和测试数据；

（2）定义网络层级结构；

（3）初始设置网络参数（权重W，偏向b）

（4）训练网络的超参数的定义（学习率，每次迭代中训练的样本数目，迭代次数）

（5）网络训练——前向运算

（6）网络训练——反向传播

（7）网络训练——参数更新

（8）重复（5）（6）（7），直至满足迭代次数

（9）网络模型测试

# 使用全连接神经网络类，和手写数据加载器，实现验证码识别。import datetimeimport numpy as npimport Activators # 引入激活器模块import CNN # 引入卷积神经网络import MNIST # 引入手写数据加载器import DNN # 引入全连接神经网络# 网络模型类class MNISTNetwork():# =============================构造网络结构=============================def __init__(self):# 初始化构造卷积层：输入宽度、输入高度、通道数、滤波器宽度、滤波器高度、滤波器数目、补零数目、步长、激活器、学习速率self.cl1 = CNN.ConvLayer(28, 28, 1, 5, 5, 6, 0, 1, Activators.SigmoidActivator(),0.02) # 输入28*28 一通道，滤波器5*5的6个，步长为1，不补零，所以输出为24*24深度6# 构造降采样层，参数为输入宽度、高度、通道数、滤波器宽度、滤波器高度、步长self.pl1 = CNN.MaxPoolingLayer(24, 24, 6, 2, 2, 2) # 输入24*24，6通道，滤波器2*2，步长为2，所以输出为12*12，深度保持不变为6# 初始化构造卷积层：输入宽度、输入高度、通道数、滤波器宽度、滤波器高度、滤波器数目、补零数目、步长、激活器、学习速率self.cl2 = CNN.ConvLayer(12, 12, 6, 5, 5, 12, 0, 1, Activators.SigmoidActivator(),0.02) # 输入12*12，6通道，滤波器5*5的12个，步长为1，不补零，所以输出为8*8深度12# 构造降采样层，参数为输入宽度、高度、通道数、滤波器宽度、滤波器高度、步长self.pl2 = CNN.MaxPoolingLayer(8, 8, 12, 2, 2, 2) # 输入8*8，12通道，滤波器2*2，步长为2，所以输出为4*4，深度保持不变为12。共192个像素# 全连接层构造函数。input_size: 本层输入向量的维度。output_size: 本层输出向量的维度。activator: 激活函数self.fl1 = DNN.FullConnectedLayer(192, 10, Activators.SigmoidActivator(),0.02) # 输入192个像素，输出为10种分类概率,学习速率为0.05# 根据输入计算一次输出。因为卷积层要求的数据要求有通道数，所以onepic是一个包含深度，高度，宽度的多维矩阵def forward(self,onepic):# print('图片：',onepic.shape)self.cl1.forward(onepic)# print('第一层卷积结果：',self.cl1.output_array.shape)self.pl1.forward(self.cl1.output_array)# print('第一层采样结果：',self.pl1.output_array.shape)self.cl2.forward(self.pl1.output_array)# print('第二层卷积结果：',self.cl2.output_array.shape)self.pl2.forward(self.cl2.output_array)# print('第二层采样结果：',self.pl2.output_array.shape)flinput = self.pl2.output_array.flatten().reshape(-1, 1) # 转化为列向量self.fl1.forward(flinput)# print('全连接层结果：',self.fl1.output.shape)return self.fl1.outputdef backward(self,onepic,labels):# 计算误差delta = np.multiply(self.fl1.activator.backward(self.fl1.output), (labels - self.fl1.output)) # 计算输出层激活函数前的误差# print('输出误差：',delta.shape)# 反向传播self.fl1.backward(delta) # 计算了全连接层输入前的误差，以及全连接的w和b的梯度self.fl1.update() # 更新权重w和偏量b# print('全连接层输入误差：', self.fl1.delta.shape)sensitivity_array = self.fl1.delta.reshape(self.pl2.output_array.shape) # 将误差转化为同等形状self.pl2.backward(self.cl2.output_array, sensitivity_array) # 计算第二采样层的输入误差。参数为第二采样层的 1、输入，2、输出误差# print('第二采样层的输入误差：', self.pl2.delta_array.shape)self.cl2.backward(self.pl1.output_array, self.pl2.delta_array,Activators.SigmoidActivator()) # 计算第二卷积层的输入误差。参数为第二卷积层的 1、输入，2、输出误差，3、激活函数self.cl2.update() # 更新权重w和偏量b# print('第二卷积层的输入误差：', self.cl2.delta_array.shape)self.pl1.backward(self.cl1.output_array, self.cl2.delta_array) # 计算第一采样层的输入误差。参数为第一采样层的 1、输入，2、输出误差# print('第一采样层的输入误差：', self.pl1.delta_array.shape)self.cl1.backward(onepic, self.pl1.delta_array,Activators.SigmoidActivator()) # 计算第一卷积层的输入误差。参数为第一卷积层的 1、输入，2、输出误差，3、激活函数self.cl1.update() # 更新权重w和偏量b# print('第一卷积层的输入误差：', self.cl1.delta_array.shape)# 由于使用了逻辑回归函数，所以只能进行分类识别。识别ont-hot编码的结果if __name__ == '__main__':# =============================加载数据集=============================train_data_set, train_labels = MNIST.get_training_data_set(600, False) # 加载训练样本数据集，和one-hot编码后的样本标签数据集。样本数量越大，训练时间越久，也越准确test_data_set, test_labels = MNIST.get_test_data_set(100, False) # 加载测试特征数据集，和one-hot编码后的测试标签数据集。训练时间越久，也越准确train_data_set = np.array(train_data_set).astype(bool).astype(int) #可以将图片简化为黑白图片train_labels = np.array(train_labels)test_data_set = np.array(test_data_set).astype(bool).astype(int) #可以将图片简化为黑白图片test_labels = np.array(test_labels)print('样本数据集的个数：%d' % len(train_data_set))print('测试数据集的个数：%d' % len(test_data_set))# =============================构造网络结构=============================mynetwork =MNISTNetwork()# 打印输出每层网络# print('第一卷积层：\n',mynetwork.cl1.filters)# print('第二卷积层：\n', mynetwork.cl2.filters)# print('全连接层w：\n', mynetwork.fl1.W)# print('全连接层b：\n', mynetwork.fl1.b)# =============================迭代训练=============================for i in range(10): #迭代训练10次。每个迭代内，对所有训练数据进行训练，更新（训练图像个数/batchsize）次网络参数print('迭代：',i)for k in range(train_data_set.shape[0]): #使用每一个样本进行训练# 正向计算onepic =train_data_set[k]onepic = np.array([onepic]) # 卷积神经网络要求的输入必须包含深度、高度、宽度三个维度。result = mynetwork.forward(onepic) # 前向计算一次# print(result.flatten())labels = train_labels[k].reshape(-1, 1) # 获取样本输出，转化为列向量mynetwork.backward(onepic,labels)# 打印输出每层网络# print('第一卷积层：\n',mynetwork.cl1.filters)# print('第二卷积层：\n', mynetwork.cl2.filters)# print('全连接层w：\n', mynetwork.fl1.W)# print('全连接层b：\n', mynetwork.fl1.b)# =============================评估结果=============================right = 0for k in range(test_data_set.shape[0]): # 使用每一个样本进行训练# 正向计算onepic = test_data_set[k]onepic = np.array([onepic]) # 卷积神经网络要求的输入必须包含深度、高度、宽度三个维度。result = mynetwork.forward(onepic) # 前向计算一次labels = test_labels[k].reshape(-1, 1) # 获取样本输出，转化为列向量# print(result)pred_type = result.argmax()real_type = labels.argmax()# print(pred_type,real_type)if pred_type==real_type:right+=1print('%s after right ratio is %f' % (datetime.datetime.now(), right/test_data_set.shape[0])) # 打印输出正确率

注意由于使用的样本和迭代次数少，所以训练模型在训练集上表现不错，但是在测试集上表现不好。

由于读者训练时间太久，所以本文已经将训练集数量改成了600，测试集数量改成了100。这样大概在半个小时内就可以完成训练。但是测试集的效果不好，读者可以自行增加样本数量，和迭代次数、或者在训练集上进行评估（虽然这只是自欺欺人）。

可以参考keras实现图像识别：/luanpeng825485697/article/details/79144616