标签：入门 img python 代码 dataset file test label network

看的是《深度学习入门：基于 Python 的理论与实现》这本书的配套代码，但是不太看得懂，慢慢看。。。。

mnist.py#该脚本支持从下载MNIST数据集到将这些数据转换成NumPy数组等处理

# coding: utf-8
try:
    import urllib.request#网页请求
except ImportError:#只有python3支持这个库
    raise ImportError('You should use Python 3.x')
import os.path#获取文件的属性
import gzip#解压文件
import pickle#用于序列化和反序列化Python对象结构的二进制协议
import os#文件相关操作
import numpy as np#基础数字计算库


url_base = 'http://yann.lecun.com/exdb/mnist/'#需要访问的网站
key_file = {#数据集字典
    '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__))#获取当前路径
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#设置下载路径

    if os.path.exists(file_path):#若此路径已经存在，说明已经下载了，返回
        return

    print("Downloading " + file_name + " ... ")#输出当前下载文件
    urllib.request.urlretrieve(url_base + file_name, file_path)#网络对象复制到本地文件
    print("Done")
    
def download_mnist():
    for v in key_file.values():
       _download(v)#下载文件
        
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#文件所在路径

    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:#打开压缩文件
            data = np.frombuffer(f.read(), np.uint8, offset=16)#将缓冲去解释为一维数组
    data = data.reshape(-1, img_size)#将数组变为img_size列，总元素个数保持不变，有多少行就变成多少行
    print("Done")
    
    return data
    
def _convert_numpy():
    dataset = {}#建立一个字典，来存放下载的文件
    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)#序列化对象
    print("Done!")

def _change_one_hot_label(X):
    T = np.zeros((X.size, 10))#给定一个用0填充的数组
    for idx, row in enumerate(T):#一个索引序列
        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):#文件是否存在
        init_mnist()
        
    with open(save_file, 'rb') as f:#打开文件
        dataset = pickle.load(f)#反序列化对象，将文件中的数据解析为一个python对象
    
    if normalize:#矢量标准化
        for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].astype(np.float32)#转换数组的数据类型为float32
            dataset[key] /= 255.0#像素值正规化

    if one_hot_label:#是否为one-hot数组
        dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
        dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
    
    if not flatten:#是否将图像展开为了一维数组
         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__':#开始的主函数
    init_mnist()

View Code

 minis_show.py#划分数据集，查看数据集图片的格式

# coding: utf-8
import sys, os#文件处理
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np#基础数字计算库
from dataset.mnist import load_mnist#自己写的下载数据集的py文件
from PIL import Image#图像库


def img_show(img):
    pil_img = Image.fromarray(np.uint8(img))#图像格式转化
    pil_img.show()

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)#分出训练集和测试集

img = x_train[0]
label = t_train[0]
print(label)  # 5

print(img.shape)  # (784,)
img = img.reshape(28, 28)  # 把图像的形状变为原来的尺寸
print(img.shape)  # (28, 28)

img_show(img)

View Code

 neuralnet_mnist.py#我们对这个MNIST数据集实现神经网络的推理处理

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
import pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax#把自己在各个不同项目中可以共用的基础函数汇总起来，形成一个独立的项目库，并对每个函数配上单元测试


def get_data():
    (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    return x_test, t_test


def init_network():#读入保存在pickle文件sample_weight.pkl中的学习到的权重参数
    with open("sample_weight.pkl", 'rb') as f:
        network = pickle.load(f)
    return network


def predict(network, x):#定义神经网络，以字典变量的形式保存权重和偏置参数
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']

    a1 = np.dot(x, W1) + b1
    z1 = sigmoid(a1)
    a2 = np.dot(z1, W2) + b2
    z2 = sigmoid(a2)
    a3 = np.dot(z2, W3) + b3
    y = softmax(a3)

    return y


x, t = get_data()#获得测试集
network = init_network()
accuracy_cnt = 0
for i in range(len(x)):
    y = predict(network, x[i])
    p= np.argmax(y) # 获取概率最高的元素的索引
    if p == t[i]:
        accuracy_cnt += 1

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

View Code

 neuralnet_mnist_batch.py#批处理图像

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
import pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax


def get_data():
    (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    return x_test, t_test


def init_network():
    with open("sample_weight.pkl", 'rb') as f:
        network = pickle.load(f)
    return network


def predict(network, x):
    w1, w2, w3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']

    a1 = np.dot(x, w1) + b1
    z1 = sigmoid(a1)
    a2 = np.dot(z1, w2) + b2
    z2 = sigmoid(a2)
    a3 = np.dot(z2, w3) + b3
    y = softmax(a3)

    return y


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]
    y_batch = predict(network, x_batch)
    p = np.argmax(y_batch, axis=1)
    accuracy_cnt += np.sum(p == t[i:i+batch_size])

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

View Code

 

标签：入门,img,python,代码,dataset,file,test,label,network
来源： https://www.cnblogs.com/ysszd/p/15466648.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。