本站原创文章，转载请说明来自《老饼讲解-深度学习》www.bbbdata.com
MLP神经网络可以用于类别预测，例如图像识别就是其中一个用途
本文展示一个MLP神经网络用于手写数字识别的例子，并用pytorch进行实现与训练
通过本文可以具体了解如何使用MLP神经网络是如何解决手写数字识别问题的
本节使用pytorch来实MLP神经网络识别写手数字问题(借助pytorch的神经网络框架)
手写数字-数据介绍
手写数字数据集MNIST是pytorch的自带数据之一，利用torchvision.datasets.MNIST就可以下载
手写数字数据集MNIST包含了10个手写数字(0-9)的7W个样本(训练样本6W个，测试样本1W个）
MNIST样本示例如下：
每个样本是28*28的单通道灰度图片
MLP神经网络识别手写数字-代码
在使用mlp神经网络预测手写数字时，需要先将图片输入进行展平，展平后共计28*28=784个输入
根据输入个数，不妨使用100个隐节点的三层MLP神经网络模型对图片类别进行预测
具体的MLP神经网络识别手写数字代码如下：
import torch
from torch import nn
import matplotlib.pyplot as plt
torch.manual_seed(99) # 设定随机种子，使得每次运行结果一样
# 定义神经网络的结构
class MLP(nn.Module):
def __init__(self):
super(MLP, self).__init__()
self.stack=nn.Sequential(
nn.Linear(2, 4), # 2输入,4输出
nn.Tanh(), # 激活函数用Tanh
nn.Linear(4, 2) # 4输入,2输出(2个类别)
)
def forward(self, x):
y = self.stack(x) # 按stack计算模型输出
return y # 输出y
x = torch.tensor([[2.5, 1.3, 6.2, 1.3, 5.4, 6 ,4.3, 8.2]
,[-1.2,2.5,3.6,4,3.4,2.3,7.2,3.9]]).T # 样本的输入数据
y = torch.tensor([1,1,0,1,0,0,0,0]) # 样本的标签
model = MLP() # 初始化模型
lossFun = torch.nn.CrossEntropyLoss() # 定义损失函数为交叉熵损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01,momentum =0.9) # 初始化优化器
for epoch in range(5000):
optimizer.zero_grad() # 将优化器里的参数梯度清空
py = model(x) # 计算模型的预测值
loss = lossFun(py, y) # 计算损失函数值
loss.backward() # 更新参数的梯度
optimizer.step() # 更新参数
# ----计算错误率----
p_labels = torch.argmax(py,dim=1) # 模型的预测类别
err_rate = (p_labels!=y).sum()/p_labels.numel() # 错误率
print('第',epoch,'步,错误率:' ,(err_rate).numpy()*100,'%') # 打印错误率
if(err_rate<=0.01): # 检查退出条件
break
# -------打印模型训练结果----------
print('----模型训练结果---') # 打印标题
print('错误率:' ,(err_rate).numpy()*100,'%') # 打印错误率
# 绘制预测结果
colors = ['red','g'] # 定义0类的颜色为red,1类样本的颜色为green
labels_color = [ colors[i] for i in y] # 各个样本真实对应的颜色
p_labels_color = [ colors[i] for i in p_labels] # 各个样本预测对应的颜色
plt.scatter(x[:,0], x[:,1],c=labels_color,s=20) # 绘制真实样本
plt.scatter(x[:,0], x[:,1],marker='o',c='none',edgecolors=p_labels_color,s=80) # 绘制预测样本
plt.legend(['true label','predict label']) # 显示图例
plt.show() 运行结果如下：
-----------当前epoch: 0 ----------------
err_rate: tensor(0.9100)
err_rate: tensor(0.7925)
err_rate: tensor(0.5954)
err_rate: tensor(0.4929)
err_rate: tensor(0.4363)
err_rate: tensor(0.3978)
验证数据的准确率: 0.8145
-----------当前epoch: 1 ----------------
.........
.........
-----------当前epoch: 249 ----------------
err_rate: tensor(0.0040)
err_rate: tensor(0.0084)
err_rate: tensor(0.0090)
err_rate: tensor(0.0093)
err_rate: tensor(0.0096)
err_rate: tensor(0.0098)
---------------------------------------
验证数据的准确率: 0.9761
训练步数 249 ,最终训练误差 tensor(0.0099)
训练数据的准确率: 0.9902166666666666
验证数据的准确率: 0.9761
可以看到，验证数据(由于实际并未用于验证，所以其实是测试数据)的准确率已经达到97.6%，说明模型是有效的
好了，以上就是MLP神经网络识别手写数字的例子与代码了~
End