BP神經網路

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def sigmoid(x):    # 定義網路啟用函式
    return 1/(1+np.exp(-x))

data_tr = pd.read_csv('C:/Users/CHEN/Documents/WeChat Files/wxid_t1xqjm4fkg2v22/FileStorage/File/2022-03/3.3 data_tr.txt')  # 訓練集樣本
data_te = pd.read_csv('C:/Users/CHEN/Documents/WeChat Files/wxid_t1xqjm4fkg2v22/FileStorage/File/2022-03/3.3 data_te.txt
 
')  # 測試集樣本
n = len(data_tr)
yita = 0.85  # 自己設定學習速率

out_in = np.array([0.0, 0, 0, 0, -1])   # 輸出層的輸入，即隱層的輸出
w_mid = np.zeros([3,4])  # 隱層神經元的權值&閾值
w_out = np.zeros([5])     # 輸出層神經元的權值&閾值

delta_w_out = np.zeros([5])      # 輸出層權值&閾值的修正量
delta_w_mid = np.zeros([3,4])   # 中間層權值&閾值的修正量
Err = []
 
'''
模型訓練
'''
for j in range(1000):
    error = []
    for it in range(n):
        net_in = np.array([data_tr.iloc[it, 0], data_tr.iloc[it, 1], -1])  # 網路輸入
        real = data_tr.iloc[it, 2]
        for i in range(4):
            out_in[i] = sigmoid(sum(net_in * w_mid[:, i]))  # 從輸入到隱層的傳輸過程
        res = sigmoid(sum(out_in * w_out))   #
 
 模型預測值
        error.append(abs(real-res))#誤差

        print(it, '個樣本的模型輸出：', res, 'real:', real)
        delta_w_out = yita*res*(1-res)*(real-res)*out_in  # 輸出層權值的修正量
        delta_w_out[4] = -yita*res*(1-res)*(real-res)     # 輸出層閾值的修正量
        w_out = w_out + delta_w_out   # 更新，加上修正量

        for i in range(4):
            delta_w_mid[:, i] = yita*out_in[i]*(1-out_in[i])*w_out[i]*res*(1-res)*(real-res)*net_in   # 中間層神經元的權值修正量
            delta_w_mid[2, i] = -yita*out_in[i]*(1-out_in[i])*w_out[i]*res*(1-res)*(real-res)         # 中間層神經元的閾值修正量,第2行是閾值
        w_mid = w_mid + delta_w_mid   # 更新，加上修正量
    Err.append(np.mean(error))
print(w_mid,w_out)
plt.plot(Err)#訓練集上每一輪的平均誤差
plt.show()
plt.close()

'''
將測試集樣本放入訓練好的網路中去
'''
error_te = []
for it in range(len(data_te)):
    net_in = np.array([data_te.iloc[it, 0], data_te.iloc[it, 1], -1])  # 網路輸入
    real = data_te.iloc[it, 2]
    for i in range(4):
        out_in[i] = sigmoid(sum(net_in * w_mid[:, i]))  # 從輸入到隱層的傳輸過程
    res = sigmoid(sum(out_in * w_out))   # 模型預測值
    error_te.append(abs(real-res))
plt.plot(error_te)#測試集上每一輪的誤差
plt.show()
np.mean(error_te)

 手工搭建神經網路

import numpy as np
import scipy.special
import pylab
import matplotlib.pyplot as plt
#%%
class NeuralNetwork():
# 初始化神經網路
def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
# 設定輸入層節點，隱藏層節點和輸出層節點的數量和學習率
self.inodes = inputnodes
self.hnodes = hiddennodes
self.onodes = outputnodes
self.lr = learningrate #設定神經網路中的學習率
# 使用正態分佈，進行權重矩陣的初始化
self.wih = np.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes)) #(mu,sigma,矩陣)
self.who = np.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))
self.activation_function = lambda x: scipy.special.expit(x) #啟用函式設為Sigmod()函式
pass
# 定義訓練神經網路
print("************Train start******************")
def train(self,input_list,target_list):
# 將輸入、輸出列表轉換為二維陣列
inputs = np.array(input_list, ndmin=2).T #T:轉置
targets = np.array(target_list,ndmin= 2).T
hidden_inputs = np.dot(self.wih, inputs) #計算到隱藏層的訊號，dot()返回的是兩個陣列的點積
hidden_outputs = self.activation_function(hidden_inputs) #計算隱藏層輸出的訊號
final_inputs = np.dot(self.who, hidden_outputs) #計算到輸出層的訊號
final_outputs = self.activation_function(final_inputs)

output_errors = targets - final_outputs #計算輸出值與標籤值的差值

hidden_errors = np.dot(self.who.T,output_errors)


#隱藏層和輸出層權重更新
self.who += self.lr * np.dot((output_errors*final_outputs*(1.0-final_outputs)),
np.transpose(hidden_outputs))#transpose()轉置
#輸入層和隱藏層權重更新
self.wih += self.lr * np.dot((hidden_errors*hidden_outputs*(1.0-hidden_outputs)),
np.transpose(inputs))#轉置
pass

#查詢神經網路
def query(self, input_list): # 轉換輸入列表到二維數
inputs = np.array(input_list, ndmin=2).T #計算到隱藏層的訊號
hidden_inputs = np.dot(self.wih, inputs) #計算隱藏層輸出的訊號
hidden_outputs = self.activation_function(hidden_inputs) #計算到輸出層的訊號
final_inputs = np.dot(self.who, hidden_outputs)
final_outputs = self.activation_function(final_inputs)
return final_outputs
#%%
input_nodes = 784 #輸入層神經元個數
hidden_nodes = 100 #隱藏層神經元個數
output_nodes = 10 #輸出層神經元個數
learning_rate = 0.3 #學習率為0.3
# 建立神經網路
n = NeuralNetwork(input_nodes, hidden_nodes, output_nodes, learning_rate)
#%%
#讀取訓練資料集 轉化為列表
training_data_file = open(r"C:\Users\CHEN\Documents\WeChat Files\wxid_t1xqjm4fkg2v22\FileStorage\File\2022-03\mnist_train.csv",'r')
training_data_list = training_data_file.readlines() #方法用於讀取所有行，並返回列表
#print("training_data_list:",training_data_list)
training_data_file.close()
#%%
#訓練次數
i = 2
for e in range(i):
#訓練神經網路
for record in training_data_list:
all_values = record.split(',') #根據逗號，將文字資料進行拆分
#將文字字串轉化為實數，並建立這些數字的陣列。
inputs = (np.asfarray(all_values[1:])/255.0 * 0.99) + 0.01
#建立用零填充的陣列，陣列的長度為output_nodes,加0.01解決了0輸入造成的問題
targets = np.zeros(output_nodes) + 0.01 #10個元素都為0.01的陣列
#使用目標標籤，將正確元素設定為0.99
targets[int(all_values[0])] = 0.99#all_values[0]=='8'
n.train(inputs,targets)
pass
pass
#%%
test_data_file = open(r"C:\Users\CHEN\Documents\WeChat Files\wxid_t1xqjm4fkg2v22\FileStorage\File\2022-03\mnist_test.csv",'r')
test_data_list = test_data_file.readlines()
test_data_file.close()

all_values = test_data_list[2].split(',') #第3條資料，首元素為1
# print(all_values)
# print(len(all_values))
# print(all_values[0]) #輸出目標值
#%%
score = []
print("***************Test start!**********************")
for record in test_data_list:
#用逗號分割將資料進行拆分
all_values = record.split(',')
#正確的答案是第一個值
correct_values = int(all_values[0])
# print(correct_values,"是正確的期望值")
#做輸入
inputs = (np.asfarray(all_values[1:])/255.0 * 0.99) + 0.01
#測試網路 作輸入
outputs= n.query(inputs)#10行一列的矩陣
#找出輸出的最大值的索引
label = np.argmax(outputs)
# print(label,"是網路的輸出值\n")
#如果期望值和網路的輸出值正確 則往score 數組裡面加1 否則新增0
if(label == correct_values):
score.append(1)
else:
score.append(0)
pass
pass
print(outputs)
#%%
# print(score)
score_array = np.asfarray(score)
#%%
print("正確率是：",(score_array.sum()/score_array.size)*100,'%')