博客地址：https://www.cnblogs.com/zylyehuo/

效果展示

• 

下载项目

https://github.com/zylyehuo/ANN-main

• 

下载数据集（共四个）(上一步中已包含数据集，按需自己下载)

http://yann.lecun.com/exdb/mnist/

• 

目录结构

• 

整体流程图

• 

dataloader.py

import numpy as np
import struct
import matplotlib.pyplot as plt
import os


# download the mnist dataset from http://yann.lecun.com/exdb/mnist/
# 读取要训练的数据集
def read_train_data(path=''):
    with open(os.path.join(path, 'train-images.idx3-ubyte'), 'rb') as f1:
        buf1 = f1.read()
    with open(os.path.join(path, 'train-labels.idx1-ubyte'), 'rb') as f2:
        buf2 = f2.read()
    return buf1, buf2


# 读取要测试的数据集
def read_test_data(path=''):
    with open(os.path.join(path, 't10k-images.idx3-ubyte'), 'rb') as f1:
        buf1 = f1.read()
    with open(os.path.join(path, 't10k-labels.idx1-ubyte'), 'rb') as f2:
        buf2 = f2.read()
    return buf1, buf2


# 得到图片数据
def get_image(buf1):
    image_index = 0
    '''
    struct.calcsize('>IIII') 是Python中用于计算二进制数据格式字符串的大小的函数调用
    它描述了一个包含四个大端字节序的无符号整数的数据结构的大小
    '''
    image_index += struct.calcsize('>IIII')
    img_num = int((len(buf1) - 16) / 784)
    im = []
    for i in range(img_num):
        temp = list(struct.unpack_from('>784B', buf1, image_index))  # '>784B'的意思就是用大端法读取784个unsigned byte
        im.append(temp)
        image_index += struct.calcsize('>784B')  # 每次增加784B
    im = np.array(im, dtype=np.float32)  # 将图片作为数据源传入numpy数组
    return im


# 得到标签数据
def get_label(buf2):
    label_index = 0
    '''
    用于计算二进制数据格式字符串的大小的函数
    '>II' 是格式字符串，它描述了要打包或解包的数据结构。
    在这个格式字符串中，> 表示使用大端字节序（big-endian），
    I 表示一个无符号整数（unsigned int）。
    '''
    label_index服务器托管网 += struct.calcsize('>II')
    idx_num = int(len(buf2) - 8)
    labels = []
    for i in range(idx_num):
        temp = list(struct.unpack_from('>1B', buf2, label_index))
        labels.append(temp)
        label_index += 1
    labels = np.array(labels, dtype=int)  # 将标签作为数据源传入numpy数组
    return labels


# 加载训练数据
def load_train_data(path=''):
    img_buf, label_buf = read_train_data(path)
    imgs = get_image(img_buf)
    labels = get_label(label_buf)

    return imgs, labels


# 加载测试数据
def load_test_data(path=''):
    img_buf, label_buf = read_test_data(path)
    imgs = get_image(img_buf)  # 得到图片数据
    labels = get_label(label_buf)  # 得到标签数据

    return imgs, labels


if __name__ == "__main__":

    imgs, labels = load_test_data()

    for i in range(9):
        # 将整个图像窗口分为3行3列
        plt.subplot(3, 3, i + 1)
        # 设置窗口的标题
        title = u"标签对应为：" + str(labels[i])
   服务器托管网     # 显示窗口的标题
        plt.title(title, fontproperties='SimHei')
        # 将读取的图片数据源改成28x28的大小
        img = np.array(imgs[i]).reshape((28, 28))
        # cmap参数: 为调整显示颜色 gray为黑白色，加_r取反为白黑色
        plt.imshow(img, cmap='gray')
    plt.show()

neural_network.py

import numpy as np
import os
import dataloader as dl  # 导入数据加载器模块
import random
import argparse  # 导入命令行参数解析模块
import matplotlib.pyplot as plt

# 创建解析器
parser = argparse.ArgumentParser()
# 添加参数
# --data_path 的默认参数为 ’./‘ 即当前路径
parser.add_argument('--data_path', type=str, default='./')
# 解析参数
args = parser.parse_args()
# 加载参数
data_path = args.data_path


# 激活函数
class Sigmoid(object):
    def __init__(self):
        self.gradient = []

    def forward(self, x):
        """
        Sigmoid激活函数的前向传播函数。
        Args:
            x (numpy.ndarray): 输入数据。
        Returns:
            numpy.ndarray: 经过Sigmoid激活后的数据。
        """
        self.gradient = x * (1.0 - x)
        return 1.0 / (1.0 + np.exp(-x))

    def backward(self):
        """
        Sigmoid激活函数的反向传播函数。

        Returns:
            numpy.ndarray: 梯度。
        """
        return self.gradient


# ReLU激活函数
class ReLU(object):

    def __init__(self):
        self.gradient = []

    def forward(self, input_data):
        """
        ReLU激活函数的前向传播函数。
        Args:
            input_data (numpy.ndarray): 输入数据。
        Returns:
            numpy.ndarray: 经过ReLU激活后的数据。
        """
        extend_input = input_data
        self.gradient = np.where(input_data >= 0, 1, 0.001)
        self.gradient = self.gradient[:, None]
        input_data[input_data 

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net