目录

一、背景与总概

二、研究对象

三、数据表示与结构

四、选择的模型

五、效果展示

六、画板部分

七、直接抄,直接方向跑!


所有的工程文件百度云连接,包含模型!

链接:https://pan.baidu.com/s/1RlS0aVPOFwmNBPBHmcF0SQ
提取码:MATR
–来自百度网盘超级会员V3的分享

注意:人工智能预测的闪退问题是在main文件同目录下没有image_rgzn的文件夹,添加就好。

一、背景与总概

利用Python语言编写和调试一个识别手写数字图像的三层深度前馈网络,包括数据预处理,网络模型构建,模型参数初始化和正向推理,反向梯度下降参数寻优,最后模型预测的功能。目的是学会基本的深度网络模型建立、训练和推理过程,理解深度网络的实现原理。

通过自己学习人工智能之后,发现了三个的重要经验和总结,第一个是你对你研究事物本质的理解;第二个是,将你研究事物进行数据化,找到一个合理的数据表示以及数据的结构;第三个是,寻找与这个数据表示的形式和结构合适的“模型”(即模型算法等)。依据上面数据到模型的这个思路,对下文进行一个描写

首先,介绍一下MNIST手写数据集,这就是我们研究的事物了。该数据集包含60,000个用于训练的示例和10,000个用于测试的示例。数据集包含了0-9共10类手写数字图片,每张图片都做了尺寸归一化,都是28×28大小的灰度图。

训练集图像:train-images-idx3-ubyte.gz(9.9MB,包含60000个样本)
训练集标签:train-labels-idx1-ubyte.gz(29KB,包含60000个标签)
测试集图像:t10k-images-idx3-ubyte.gz(1.6MB,包含10000个样本)
测试集标签:t10k-labels-idx1-ubyte.gz(5KB,包含10000个标签)

下图展示一些具体例子:

其次是手写板程序,在PyQt5实例 画板小程序_pyqt5画图板_CreatorGG的博客-CSDN博客的程序基础之上添加了,1人工智能预测,2预测结果展示的文本框。

传统机器学习的问题与缺陷随着深度学习的发展被得到解决,深度学习也可以说是神经网络的重命名,他是建立在多层非线性的神经网络结构之上,对数据表示进行抽象的一系列机器学习。深度学习的出现使得图像,语言得到突破性的发展。本此处理的数据为图像,所以最后我本次选用的模型是人工智能深度神经网络(一般的神经网络)。你也可以使用卷积神经网络模型,卷积神经网络是对将局部的特征十分的敏感,正确率会更高。

二、研究对象

在你的PycharmIDE里创建一个function.py的文件,在里面定义如下函数:

1:jiexi_image(path),此函数需要一个字符串对象的输入,是两个训练集和测试集的图像文件地址,返回的对象是一个numpy.array的对象。

def jiexi_image(path):# 用二进制读取data = open(path, 'rb').read()offset = 0fmt_header = '>iiii'magic_number, num_images, num_rows, num_cols = struct.unpack_from(fmt_header, data, offset)print('魔数:%d, 图片数量: %d张, 图片大小: %d*%d' % (magic_number, num_images, num_rows, num_cols))image_size = num_rows * num_colsoffset += struct.calcsize(fmt_header)fmt_image = '>' + str(image_size) + 'B'images = np.empty((num_images, num_rows, num_cols))for i in range(num_images):if (i + 1) % 10000 == 0:print('已解析 %d' % (i + 1) + '张')images[i] = np.array(struct.unpack_from(fmt_image, data, offset)).reshape((num_rows, num_cols))offset += struct.calcsize(fmt_image)return images

2:jiexi_label(path) ,传入参数是训练集和测试集的两个label标签文件地址,是一个字符串对象,返回的也是一个numpy.array的对象。

def jiexi_label(path):data = open(path, 'rb').read()offset = 0fmt_header = '>ii'magic_number, num_images = struct.unpack_from(fmt_header, data, offset)print('魔数:%d, 图片数量: %d张' % (magic_number, num_images))# 解析数据集offset += struct.calcsize(fmt_header)fmt_image = '>B'labels = np.empty(num_images)for i in range(num_images):if (i + 1) % 10000 == 0:print('已解析 %d' % (i + 1) + '张')labels[i] = struct.unpack_from(fmt_image, data, offset)[0]offset += struct.calcsize(fmt_image)return labels

3:plot_data(images,labels,n,issave = False),传入图像,image是一个numpy.array对象;传入的标签,labels是一个numpy.array对象;传入的issave是一个判断逻辑值,如果是真就保存图片,但是一般是不保存的。

def plot_data(images,labels,n,issave = False):for i in range(n):print(labels[i])plt.imshow(images[i], cmap='gray')plt.show()# if(issave == True):# plt.savefig(fname = "save"+str(datetime.datetime.now())+".jpg")print('done')

接下来在你的工程文件夹下建立一个train.py 文件,在里面利用function.py里你设定的函数来解析训练集图像和测试集图像,训练集标签和测试集标签,然后利用plot_data函数打印数据,查看是否对应。

import function#start1 = time.time()train_image_path = './MNIST/train-images-idx3-ubyte/train-images.idx3-ubyte'train_lable_path = './MNIST/train-labels-idx1-ubyte/train-labels.idx1-ubyte'teat_image_path = './MNIST/t10k-images-idx3-ubyte/t10k-images.idx3-ubyte'teat_lable_path = './MNIST/t10k-labels-idx1-ubyte/t10k-labels.idx1-ubyte'# #加载数据train_image = function.jiexi_image(train_image_path)train_lable = function.jiexi_label(train_lable_path)teat_image = function.jiexi_image(teat_image_path)test_lable = function.jiexi_label(teat_lable_path)# print(train_image.shape)function.plot_data(train_image, train_lable, 10, True)

最终效果:

可以看出是正确的。

三、数据表示与结构

既然train_image, train_lable, teat_image , test_lable 是numpy.array对象,那么我们就可以对他进行操作,对他进行打印输出,print(train_image):

什么也看不出来,那我们打印一下他的维度来看看,​​​,是一个三维数组。

打印train_image[0]来看:

然后可以推知,我们要处理的对象结构是如下图所示。

四、选择的模型

传统机器学习的问题与缺陷随着深度学习的发展被得到解决,深度学习也可以说是神经网络的重命名,他是建立在多层非线性的神经网络结构之上,对数据表示进行抽象的一系列机器学习。深度学习的出现使得图像,语言得到突破性的发展。本此处理的数据为图像,所以最后我本次选用的模型是人工智能深度神经网络(一般的神经网络)。你也可以使用卷积神经网络模型,卷积神经网络是对将局部的特征十分的敏感,正确率会更高。

在你的工程文件下创建一个DeepNET.py的文件,里面是深度神经网络所需要的各种函数。从零开始,从理论到代码实现无论是在研究和学习都是十分有帮助的,希望我和各位读者都保持住这个习惯。

本次,假设你已经有一定的知识储备了,如梯度下降法的本质,神经网络结构基本清楚,如果不清楚就十分推荐,deeplearning的吴大师的视频教程[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili教的非常细致。

第一步,导入库,在DeepNET.py的文件里完善搭建深度神经网络所需要的函数。

深度神经网络概述,Deep Neural Networks, 深度神经网络,以下简称DNN。DNN里最基本的单元是神经元模型。每个神经元与其他神经元相连,当他“兴奋”时,就会向相连的神经元发送物质,改变神经元的电位。如果某个神经元的电位超过了一个阀值,那么它就会被激活。结果抽象可以得到沿用至今的M_P神经元模型。

线性部分,是简单的相乘相加,激活部分是利用激活函数处理得到输出。常见的激活函数有sigmoid,relu等,本次采用的激活函数是relu函数。

由神经元组成的多层神经网络,如图所示。有输入层,输出层以及中间隐含层。每一个输入线性求合,通过激活函数,传到下一个神经元,我们大可不必一个个的去算,我们可以使用向量化来使得我们的程序更加简洁。

梯度下降法:

(下面为了简单我以输入的对象是28*28规格图片,第一层隐含单元有200个,第二层隐含单元是100个,输出层为10个的网络结构阐述。)

一般的构造网络的流程:

初始化超参数(包括启动深度神经网络的权值w,偏执b)–》向前传播(线性部分+激活函数)–》 计算代价 –》 反向传播 (激活函数反向,线性部分反向)–》更新超参数.

基础部分和总概 网络结构为 [28*28 200 100 10]

学习人工智能,应该理论应用于实践,应该多动手进行数学演算,将演算用代码实现,最后进行总结于改进。

(1)对这个网络的结构要有一个清楚的认识

在草稿本上进行矩阵维数的测试

下面是对于想要了解代码一个个看清楚流程的去看,如果想直接跑通,代码在最后!

1、导入库,是导入一些必要的库

import matplotlib.pyplot as pltimport numpy as npimport datetimeimport osimport sysimport h5py

2、定义所需要的softmax函数

def sigmoid(Z):A = 1/(1+np.exp(-Z))cache = Zreturn A, cachedef sigmoid_backward(dA, cache):Z = caches = 1/(1+np.exp(-Z))dZ = dA * s * (1-s)return dZ# relu函数 和反向求导def relu(Z):A = np.maximum(0,Z)cache = Zreturn A, cachedef relu_backward(dA, cache):Z = cachedZ = np.array(dA, copy=True)dZ[Z <= 0] = 0return dZ# Softmaxdef softmax(Z):A = np.exp(Z)/np.sum(np.exp(Z),axis=0)cache = Zreturn A, cache

在此我把relu和sigmoid函数也给出,方便读者后续的使用,可以利用这个去做逻辑回归啊什么什么的,增加泛用性。

3、初始化参数

使用梯度下降法的首要步骤就是初始化参数,这个点是随机的。

输入的是 layers_dims是一个向量,是你的网络结构。返回的是一个字典对象parameters,里面有超参数w和b。、

恭喜你,走出了第一步,完成了初始化参数的步骤。

def init_W(layers_dims):np.random.seed(3)parameters = {}L = len(layers_dims)for l in range(1, L):parameters["W" + str(l)] = np.random.randn(layers_dims[l], layers_dims[l - 1]) / np.sqrt(layers_dims[l - 1])parameters["b" + str(l)] = np.zeros((layers_dims[l], 1))return parameters

4.1、向前传播之线性部分

,也就是输入x与权值相乘与偏执相加。是一层的线性部分。

def L_forword_sum(W,A,b):Z = np.dot(W,A)+bcache = (A,W,b)return Z,cache

4.2、向前传播之激活函数向前

隐含层使用的是relu函数,输出层使用的是softmax函数,参考(311条消息) 入门级都能看懂的softmax详解_bitcarmanlee的博客-CSDN博客。

(311条消息) ReLU函数简介_潇湘_AQ的博客-CSDN博客

本函数是基于线性部分建立的一个输入是A_prev是上一层的输出,W,b是本层的网络参数,activation是激活函数的名字,用于选择用哪一个函数。返回值是一个元组,包含A隐含层输出的激活值,和用于反向传播时的重要数据。

def L_activate_forworld(A_prev,W,b,activation):if activation == "relu":Z ,linear_cache =L_forword_sum(W,A_prev,b)A, activation_cache = relu(Z)elif activation == "sigmoid":Z, linear_cache = L_forword_sum(W, A_prev, b)A, activation_cache = sigmoid(Z)elif activation == "softmax":Z, linear_cache = L_forword_sum(W, A_prev, b)A, activation_cache = softmax(Z)cache = (linear_cache, activation_cache)return A,cache

4.3、向前传播函数接口

线性部分+激活函数组成一次向前传播,线性部分的输出输入到激活函数最后得到的最终值。

函数输入x是初始的输入值即图片的大小,parameters是超参数字典。经过一个for循环可以完成整个向前传播。

恭喜你,你的网络利用这个函数就可以进行向前传播了。

def L_forword(X, parameters):caches = []A = XL = len(parameters) // 2for l in range(1, L):A_prev = AA, cache = L_activate_forworld(A_prev, parameters['W' + str(l)], parameters['b' + str(l)], "relu")caches.append(cache)# 最后一层使用softmaxAL, cache= L_activate_forworld(A, parameters['W' + str(L)], parameters['b' + str(L)], "softmax")caches.append(cache)return AL, caches

5、计算代价之交叉熵代价函数

(311条消息) 交叉熵损失函数(Cross Entropy Loss)_SongGu1996的博客-CSDN博客

你可以计算你的网络的代价了,每个网络都希望做到收敛快,代价小。

def cost(Y_out,Y):cost = -np.sum(np.multiply(np.log(Y_out), Y)) / Y_out.shape[1]cost = np.squeeze(cost)return cost

5.1、反向传播之线性部分的反向

感兴趣的可以到我的草稿上看。

def linear_backward(dZ, cache):A_prev, W, b = cachem = A_prev.shape[1]dW = np.dot(dZ, A_prev.T) / mdb = np.sum(dZ, axis=1, keepdims=True) / mdA_prev = np.dot(W.T, dZ)return dA_prev, dW, db

5.2、反向传播之激活函数的反向

感兴趣的可以到我的草稿上看。

def linear_activation_backward(dA, cache, Y,activation="relu"):linear_cache, activation_cache = cacheif activation == "relu":dZ = relu_backward(dA, activation_cache)dA_prev, dW, db = linear_backward(dZ, linear_cache)elif activation == "sigmoid":dZ = sigmoid_backward(dA, activation_cache)dA_prev, dW, db = linear_backward(dZ, linear_cache)elif activation == "softmax":dZ = dA - YdA_prev, dW, db = linear_backward(dZ, linear_cache)return dA_prev, dW, db

5.3、 反向传播函数接口

将激活函数的反向和线性部分的反向组织好后,封装为一个反向函数接口。

恭喜你,你已经做好了反向传播了。

def L_model_backward(AL, Y, caches,case):grads = {}L = len(caches)m = AL.shape[1]Y = Y.reshape(AL.shape)dAL = - (np.divide(Y, AL) - np.divide(1 - Y, 1 - AL))if case == "softmax":current_cache = caches[L - 1]grads["dA" + str(L)], grads["dW" + str(L)], grads["db" + str(L)] = linear_activation_backward(AL, current_cache,Y,"softmax")elif case== "sigmoid":current_cache = caches[L - 1]grads["dA" + str(L)], grads["dW" + str(L)], grads["db" + str(L)] = linear_activation_backward(AL, current_cache,Y, "sigmoid")for l in reversed(range(L - 1)):current_cache = caches[l]dA_prev_temp, dW_temp, db_temp = linear_activation_backward(grads["dA" + str(l + 2)], current_cache, Y ,"relu")grads["dA" + str(l + 1)] = dA_prev_tempgrads["dW" + str(l + 1)] = dW_tempgrads["db" + str(l + 1)] = db_tempreturn grads

6、利用梯度下降法 更新参数

梯度下降法是一个十分好的优化算法,他的目的更改参数使代价优化到最小。

def update_parameters(parameters, grads, learning_rate):L = len(parameters) // 2# 整除for l in range(L):parameters["W" + str(l + 1)] = parameters["W" + str(l + 1)] - learning_rate * grads["dW" + str(l + 1)]parameters["b" + str(l + 1)] = parameters["b" + str(l + 1)] - learning_rate * grads["db" + str(l + 1)]return parameters

7、神经网络搭建

依据下面的过程,将你的函数,像拼拼图一样做出来。

初始化超参数(包括启动深度神经网络的权值w,偏执b)–》向前传播(线性部分+激活函数)–》 计算代价 –》 反向传播 (激活函数反向,线性部分反向)–》更新超参数

for循环是来进行重复训练的。.

X, 输入的样本集;Y,label集;

net_layers,网络结构;learning_rate=0.0075, 学习率;num_iterations=3000,迭代次数;step =1, 步长;print_cost=False, 是否打印代价;isPlot=True,是否绘制代价—迭代次数图;

def deepnet(X, Y,net_layers,learning_rate=0.0075, num_iterations=3000,step =1, print_cost=False, isPlot=True):np.random.seed(1) #设计种子costs = [] #用于画图parameters = init_W(net_layers)for i in range(0, num_iterations):# 迭代AL, caches = L_forword(X, parameters)costi = cost(AL, Y) #这里的Y是标准化的Ygrads = L_model_backward(AL, Y, caches,"softmax")parameters = update_parameters(parameters, grads, learning_rate)if i % step == 0:# 记录成本costs.append(costi)# 是否打印成本值if print_cost:print("第", i, "次迭代,成本值为:", np.squeeze(costi))if isPlot:plt.plot(np.squeeze(costs))plt.ylabel('cost')plt.xlabel('iterations (per tens)')plt.title("Learning rate =" + str(learning_rate))plt.show()# plt.savefig(fnme = "cast"+str(datetime.datetime.now())+".jig")return parameters

8、测试集合测试

将得到的模型,用于测试集看准确率。

def predict(X, y, parameters,Y_org):m = X.shape[1]n = len(parameters) // 2# 神经网络的层数p = np.zeros((1, m))# 根据参数前向传播probas, caches = L_forword(X, parameters)p = np.argmax(probas,axis=0)zql = float(np.sum((p == Y_org)) / m)print("准确度为: " + str(float(np.sum((p == Y_org)) / m)))error_list = []for i in range(m):if p[i] != Y_org[i]:error_list.append(i)return p,error_list,zql

9、保存模型

你所训练好的网络不仅仅只是训练好就完了,你要应用它,就得保存下来,我这里有两个保存函数,一个是保存为txt文本,一个是保存为h5文件,建议使用h5文件,也可以像vvg19那样使用.mat文件数据,只要是数据,你就可以打开,打开的接口可以自己写,如果自己写的话一般是学习其结构,转化为二进制在转化为你想要的数据,不过,基本有大佬写出来了,不要闭门造车。

def save_model(parameters):np.set_printoptions(threshold=sys.maxsize)model_number = 0f = open("model/model" + str(model_number) + ".txt", "a+")f.write(str(datetime.datetime.now()) + "\n")f.write("model_number " + str(model_number) + "\n")for i, j in parameters.items():f.write(str(i) + "\n")f.write(str(j) + "\n")f.close()return 0#保存为h5数据格式def save_h5(data,layers,zql):str1 = "./model/model"+str(datetime.datetime.now().strftime("%Y%m%d%H%M%S"))+".h5"f = h5py.File(str1, "w")ID = ["model layer "]f.create_dataset("layers",data = layers)i = len(data) // 2for j in range(i):f.create_dataset("W"+str(j+1),data = data["W"+str(j+1)])f.create_dataset("b"+str(j+1),data = data["b"+str(j+1)])f.create_dataset("accuracy",data = zql)f.close()

10、利用模型预测和读取h5数据格式的模型

保存好了数据,就是如何读取我们的网络参数,进行运用人工智能深度神经网络。利用这两个函数就可以。

def predict1(X, parameters):# 根据参数前向传播probas, caches = L_forword(X, parameters)p = np.argmax(probas,axis=0)return pdef read_ccs(path):w = h5py.File(path, "r")layers = w["layers"][:]l = len(layers)p = {}# print(l)for i in range(1, l):p["W" + str(i)] = w["W" + str(i)][:]p["b" + str(i)] = w["b" + str(i)][:]return p, layers

第二步,有了相应功能的函数,我们就可以进行训练。train.py里的具体内容如下。

import DeepNETimport timeimport functionif __name__ == '__main__':# 计时开始start1 = time.time()train_image_path = './MNIST/train-images-idx3-ubyte/train-images.idx3-ubyte'train_lable_path = './MNIST/train-labels-idx1-ubyte/train-labels.idx1-ubyte'teat_image_path = './MNIST/t10k-images-idx3-ubyte/t10k-images.idx3-ubyte'teat_lable_path = './MNIST/t10k-labels-idx1-ubyte/t10k-labels.idx1-ubyte'# #加载数据train_image = function.jiexi_image(train_image_path)train_lable = function.jiexi_label(train_lable_path)teat_image = function.jiexi_image(teat_image_path)test_lable = function.jiexi_label(teat_lable_path)# print(train_image.shape)function.plot_data(train_image,train_lable,10,True)train_image = train_image.reshape(train_image.shape[0], -1).T / 255teat_image = teat_image.reshape(teat_image.shape[0], -1).T / 255train_lable1 = function.label_init(train_lable)test_lable1 =function.label_init(test_lable)print(train_image.shape)end1 = time.time()start2 = time.time()layers = [784, 200, 150, 10]parameters = DeepNET.deepnet(train_image, train_lable1,layers , learning_rate=0.0075, num_iterations=3000, step=100, print_cost=True, isPlot=True)end2 = time.time()p ,error_list_train,zql1 = DeepNET.predict(train_image, train_lable1, parameters, train_lable)p0 ,error_list_test ,zql2 = DeepNET.predict(teat_image,test_lable1,parameters,test_lable)zql = [[zql1],[zql2]]print("数据加载时间:",end1-start1," 秒")print("模型训练时间:",end2-start2," 秒")DeepNET.save_h5(parameters,layers,zql)

五、效果展示

(1)训练情况

(2)模型保存情况 h5数据情况

最终效果

综合来说,没有加优化正确率也是不错的,感兴趣的可以对网络进行优化。

六、画板部分

这里参考的是(311条消息) PyQt5实例 画板小程序_pyqt5画图板_CreatorGG的博客-CSDN博客

对qtpy5感兴趣的可以去学习一下。

整个手绘板加训练的程序在最后给出。

七、直接抄,直接方向跑!

训练网络,运行train.py。

训练出自己的网络后,使用main.py运行利用使用你的模型。

文件结构和目录:

创建我红线的文件。

(1)function.py代码:

#此文件是一些函数 有加载数据模块import datetimeimport structimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Imageimport osdef jiexi_image(path):# 用二进制读取data = open(path, 'rb').read()offset = 0fmt_header = '>iiii'magic_number, num_images, num_rows, num_cols = struct.unpack_from(fmt_header, data, offset)print('魔数:%d, 图片数量: %d张, 图片大小: %d*%d' % (magic_number, num_images, num_rows, num_cols))image_size = num_rows * num_colsoffset += struct.calcsize(fmt_header)fmt_image = '>' + str(image_size) + 'B'images = np.empty((num_images, num_rows, num_cols))for i in range(num_images):if (i + 1) % 10000 == 0:print('已解析 %d' % (i + 1) + '张')images[i] = np.array(struct.unpack_from(fmt_image, data, offset)).reshape((num_rows, num_cols))offset += struct.calcsize(fmt_image)return imagesdef jiexi_label(path):data = open(path, 'rb').read()offset = 0fmt_header = '>ii'magic_number, num_images = struct.unpack_from(fmt_header, data, offset)print('魔数:%d, 图片数量: %d张' % (magic_number, num_images))# 解析数据集offset += struct.calcsize(fmt_header)fmt_image = '>B'labels = np.empty(num_images)for i in range(num_images):if (i + 1) % 10000 == 0:print('已解析 %d' % (i + 1) + '张')labels[i] = struct.unpack_from(fmt_image, data, offset)[0]offset += struct.calcsize(fmt_image)return labelsdef plot_data(images,labels,n,issave = False):for i in range(n):print(labels[i])plt.imshow(images[i], cmap='gray')plt.show()# if(issave == True):# plt.savefig(fname = "save"+str(datetime.datetime.now())+".jpg")print('done')## 说明:输入原始图像路径和新建图像文件夹名称 默认修改出长度宽度为64*64def stdimage(pathorg, name, pathnew=None, width=64, length=64):# 检查文件是否建立if pathnew == None:# 如果没有手动创建tage = os.path.exists(os.getcwd() + '\\' + name)# 检查一下是否属实if not tage:# 没有整个新文件夹os.mkdir(os.getcwd() + "\\" + name)# 创建文件夹,nameimage_path = os.getcwd() + "\\" + name + "\\"else:# 已经手动创建tage = os.path.exists(pathnew + "\\" + name)if not tage:path = os.getcwd()os.mkdir(path + "\\" + name)image_path = path + "\\" + name + "\\"## 开始处理i = 1# 从一开始list_name = os.listdir(pathorg)# 获取图片名称列表for item in list_name:# 检查是否有图片tage = os.path.exists(pathorg + str(i) + '.png')if not tage:image = Image.open(pathorg + '\\' + item)std = image.resize((width, length), Image.ANTIALIAS)## 模式为RGBif not std.mode == "RGB":std = std.convert('RGB')std.save(image_path + str(i) + '.png')i += 1def label_init(lable):n = lable.shape[0]label_Y = np.zeros([10, n])res = lable.astype(int)for i in range(0, label_Y.shape[1]):label_Y[res[i], i] = 1return label_Ydef get_X(path):im_name_list = os.listdir(path)all_data = []for item in im_name_list:try:all_data.append(plt.imread(path + '\\' + item).tolist())except:print(item + " open error ")return all_data

(2)DeepNet.py

import matplotlib.pyplot as pltimport numpy as npimport datetimeimport osimport sysimport h5py# sigmoiddef sigmoid(Z):A = 1/(1+np.exp(-Z))cache = Zreturn A, cachedef sigmoid_backward(dA, cache):Z = caches = 1/(1+np.exp(-Z))dZ = dA * s * (1-s)return dZ# relu函数 和反向求导def relu(Z):A = np.maximum(0,Z)cache = Zreturn A, cachedef relu_backward(dA, cache):Z = cachedZ = np.array(dA, copy=True)dZ[Z <= 0] = 0return dZ# Softmaxdef softmax(Z):A = np.exp(Z)/np.sum(np.exp(Z),axis=0)cache = Zreturn A, cache# 初始化w# def INIT_W(n_x,n_h1,n_h2,n_y):# W1 = np.random.randn(n_h1, n_x ) * 0.01# b1 = np.zeros((n_h1, 1))# W2 = np.random.randn(n_h2,n_h1)*0.01# b2 = np.zeros((n_h2,1))# W3 = np.random.randn(n_y, n_h2) * 0.01# b3 = np.zeros((n_y, 1))# INIT = {# "W1" : W1,# "b1" : b1,# "W2" : W2,# "b2" : b2,# "W3" : W3,# "b3" : b3# }# return INITdef init_W(layers_dims):np.random.seed(3)parameters = {}L = len(layers_dims)for l in range(1, L):parameters["W" + str(l)] = np.random.randn(layers_dims[l], layers_dims[l - 1]) / np.sqrt(layers_dims[l - 1])parameters["b" + str(l)] = np.zeros((layers_dims[l], 1))return parameters# 向前def L_forword_sum(W,A,b):Z = np.dot(W,A)+bcache = (A,W,b)return Z,cachedef L_activate_forworld(A_prev,W,b,activation):if activation == "relu":Z ,linear_cache =L_forword_sum(W,A_prev,b)A, activation_cache = relu(Z)elif activation == "sigmoid":Z, linear_cache = L_forword_sum(W, A_prev, b)A, activation_cache = sigmoid(Z)elif activation == "softmax":Z, linear_cache = L_forword_sum(W, A_prev, b)A, activation_cache = softmax(Z)cache = (linear_cache, activation_cache)return A,cachedef L_forword(X, parameters):caches = []A = XL = len(parameters) // 2for l in range(1, L):A_prev = AA, cache = L_activate_forworld(A_prev, parameters['W' + str(l)], parameters['b' + str(l)], "relu")caches.append(cache)# 最后一层使用softmaxAL, cache= L_activate_forworld(A, parameters['W' + str(L)], parameters['b' + str(L)], "softmax")caches.append(cache)return AL, caches#计算代价def cost(Y_out,Y):cost = -np.sum(np.multiply(np.log(Y_out), Y)) / Y_out.shape[1]cost = np.squeeze(cost)return cost#线性返回def linear_backward(dZ, cache):A_prev, W, b = cachem = A_prev.shape[1]dW = np.dot(dZ, A_prev.T) / mdb = np.sum(dZ, axis=1, keepdims=True) / mdA_prev = np.dot(W.T, dZ)return dA_prev, dW, dbdef linear_activation_backward(dA, cache, Y,activation="relu"):linear_cache, activation_cache = cacheif activation == "relu":dZ = relu_backward(dA, activation_cache)dA_prev, dW, db = linear_backward(dZ, linear_cache)elif activation == "sigmoid":dZ = sigmoid_backward(dA, activation_cache)dA_prev, dW, db = linear_backward(dZ, linear_cache)elif activation == "softmax":dZ = dA - YdA_prev, dW, db = linear_backward(dZ, linear_cache)return dA_prev, dW, dbdef L_model_backward(AL, Y, caches,case):grads = {}L = len(caches)m = AL.shape[1]Y = Y.reshape(AL.shape)dAL = - (np.divide(Y, AL) - np.divide(1 - Y, 1 - AL))if case == "softmax":current_cache = caches[L - 1]grads["dA" + str(L)], grads["dW" + str(L)], grads["db" + str(L)] = linear_activation_backward(AL, current_cache,Y,"softmax")elif case== "sigmoid":current_cache = caches[L - 1]grads["dA" + str(L)], grads["dW" + str(L)], grads["db" + str(L)] = linear_activation_backward(AL, current_cache,Y, "sigmoid")for l in reversed(range(L - 1)):current_cache = caches[l]dA_prev_temp, dW_temp, db_temp = linear_activation_backward(grads["dA" + str(l + 2)], current_cache, Y ,"relu")grads["dA" + str(l + 1)] = dA_prev_tempgrads["dW" + str(l + 1)] = dW_tempgrads["db" + str(l + 1)] = db_tempreturn gradsdef update_parameters(parameters, grads, learning_rate):L = len(parameters) // 2# 整除for l in range(L):parameters["W" + str(l + 1)] = parameters["W" + str(l + 1)] - learning_rate * grads["dW" + str(l + 1)]parameters["b" + str(l + 1)] = parameters["b" + str(l + 1)] - learning_rate * grads["db" + str(l + 1)]return parametersdef deepnet(X, Y,net_layers,learning_rate=0.0075, num_iterations=3000,step =1, print_cost=False, isPlot=True):np.random.seed(1) #设计种子costs = [] #用于画图parameters = init_W(net_layers)for i in range(0, num_iterations):# 迭代AL, caches = L_forword(X, parameters)costi = cost(AL, Y) #这里的Y是标准化的Ygrads = L_model_backward(AL, Y, caches,"softmax")parameters = update_parameters(parameters, grads, learning_rate)if i % step == 0:# 记录成本costs.append(costi)# 是否打印成本值if print_cost:print("第", i, "次迭代,成本值为:", np.squeeze(costi))if isPlot:plt.plot(np.squeeze(costs))plt.ylabel('cost')plt.xlabel('iterations (per tens)')plt.title("Learning rate =" + str(learning_rate))plt.show()# plt.savefig(fnme = "cast"+str(datetime.datetime.now())+".jig")return parametersdef predict(X, y, parameters,Y_org):m = X.shape[1]n = len(parameters) // 2# 神经网络的层数p = np.zeros((1, m))# 根据参数前向传播probas, caches = L_forword(X, parameters)p = np.argmax(probas,axis=0)zql = float(np.sum((p == Y_org)) / m)print("准确度为: " + str(float(np.sum((p == Y_org)) / m)))error_list = []for i in range(m):if p[i] != Y_org[i]:error_list.append(i)return p,error_list,zqldef save_model(parameters):np.set_printoptions(threshold=sys.maxsize)model_number = 0f = open("model/model" + str(model_number) + ".txt", "a+")f.write(str(datetime.datetime.now()) + "\n")f.write("model_number " + str(model_number) + "\n")for i, j in parameters.items():f.write(str(i) + "\n")f.write(str(j) + "\n")f.close()return 0#保存为h5数据格式def save_h5(data,layers,zql):str1 = "./model/model"+str(datetime.datetime.now().strftime("%Y%m%d%H%M%S"))+".h5"f = h5py.File(str1, "w")ID = ["model layer "]f.create_dataset("layers",data = layers)i = len(data) // 2for j in range(i):f.create_dataset("W"+str(j+1),data = data["W"+str(j+1)])f.create_dataset("b"+str(j+1),data = data["b"+str(j+1)])f.create_dataset("accuracy",data = zql)f.close()def predict1(X, parameters):# 根据参数前向传播probas, caches = L_forword(X, parameters)p = np.argmax(probas,axis=0)return pdef read_ccs(path):w = h5py.File(path, "r")layers = w["layers"][:]l = len(layers)p = {}# print(l)for i in range(1, l):p["W" + str(i)] = w["W" + str(i)][:]p["b" + str(i)] = w["b" + str(i)][:]return p, layers

(3)train.py

import DeepNETimport timeimport functionif __name__ == '__main__':# 计时开始start1 = time.time()train_image_path = './MNIST/train-images-idx3-ubyte/train-images.idx3-ubyte'train_lable_path = './MNIST/train-labels-idx1-ubyte/train-labels.idx1-ubyte'teat_image_path = './MNIST/t10k-images-idx3-ubyte/t10k-images.idx3-ubyte'teat_lable_path = './MNIST/t10k-labels-idx1-ubyte/t10k-labels.idx1-ubyte'# #加载数据train_image = function.jiexi_image(train_image_path)train_lable = function.jiexi_label(train_lable_path)teat_image = function.jiexi_image(teat_image_path)test_lable = function.jiexi_label(teat_lable_path)# print(train_image.shape)function.plot_data(train_image,train_lable,10,True)train_image = train_image.reshape(train_image.shape[0], -1).T / 255teat_image = teat_image.reshape(teat_image.shape[0], -1).T / 255train_lable1 = function.label_init(train_lable)test_lable1 =function.label_init(test_lable)print(train_image.shape)end1 = time.time()start2 = time.time()layers = [784, 200, 150, 10]parameters = DeepNET.deepnet(train_image, train_lable1,layers , learning_rate=0.0075, num_iterations=3000, step=100, print_cost=True, isPlot=True)end2 = time.time()p ,error_list_train,zql1 = DeepNET.predict(train_image, train_lable1, parameters, train_lable)p0 ,error_list_test ,zql2 = DeepNET.predict(teat_image,test_lable1,parameters,test_lable)zql = [[zql1],[zql2]]print("数据加载时间:",end1-start1," 秒")print("模型训练时间:",end2-start2," 秒")DeepNET.save_h5(parameters,layers,zql)

(4) main.py

# 加载库from MainWidget import MainWidgetfrom PyQt5.QtWidgets import QApplicationimport sysdef main():app = QApplication(sys.argv)mainWidget = MainWidget()# 新建一个主界面mainWidget.show()# 显示主界面exit(app.exec_())# 进入消息循环if __name__ == '__main__':main()

(5)mainwidget.py

使用画板程序之前得跟该你的模型路径名字。就是红色部分。

def yuce(self):
# #标准化图片 获取Y
savePath = “./image_rgzn/test.png”
image = self.__paintBoard.GetContentAsQImage()
image.save(savePath)
img = Image.open(savePath)
img = img.convert(“I”)
img = img.resize((28, 28))
x = np.array(img)
train_image = x.reshape(1, -1).T / 255
w,layer = DeepNET.read_ccs(“./model/model20221119225104.h5”)
p = DeepNET.predict1(train_image,w)
self.__text_out.setText(str(p[0]))
print(p)
# print(“hello”)
# res = QMessageBox.information(self,”人工智能判断为:”,str(p),QMessageBox.Yes|QMessageBox.No)
# res.exec_()
# 读取数据权重

# 预测并输出

'''Created on 2018年8月8日@author: Freedom'''from PyQt5.Qt import QWidget, QColor, QPixmap, QIcon, QSize, QCheckBoxfrom PyQt5.QtWidgets import QHBoxLayout, QVBoxLayout, QPushButton, QSplitter, \QComboBox, QLabel, QSpinBox, QFileDialog,QTextEditfrom PaintBoard import PaintBoardimport numpy as npfrom PIL import Imageimport DeepNETclass MainWidget(QWidget):def __init__(self, Parent=None):'''Constructor'''super().__init__(Parent)self.__InitData()# 先初始化数据,再初始化界面self.__InitView()def __InitData(self):'''初始化成员变量'''self.__paintBoard = PaintBoard(self)# 获取颜色列表(字符串类型)self.__colorList = QColor.colorNames()def __InitView(self):'''初始化界面'''self.setFixedSize(640, 480)self.setWindowTitle("PaintBoard Example PyQt5")# 新建一个水平布局作为本窗体的主布局main_layout = QHBoxLayout(self)# 设置主布局内边距以及控件间距为10pxmain_layout.setSpacing(10)# 在主界面左侧放置画板main_layout.addWidget(self.__paintBoard)# 新建垂直子布局用于放置按键sub_layout = QVBoxLayout()# 设置此子布局和内部控件的间距为10pxsub_layout.setContentsMargins(10, 10, 10, 10)self.__btn_Clear = QPushButton("清空画板")self.__btn_Clear.setParent(self)# 设置父对象为本界面# 将按键按下信号与画板清空函数相关联self.__btn_Clear.clicked.connect(self.__paintBoard.Clear)sub_layout.addWidget(self.__btn_Clear)self.__btn_yuce = QPushButton("人工智能预测")self.__btn_yuce.setParent(self)# 设置父对象为本界面self.__btn_yuce.clicked.connect(lambda:self.yuce())sub_layout.addWidget(self.__btn_yuce)self.__text_out = QTextEdit(self)self.__text_out.setParent(self)self.__text_out.setObjectName("预测结果为:")sub_layout.addWidget(self.__text_out)self.__btn_Quit = QPushButton("退出")self.__btn_Quit.setParent(self)# 设置父对象为本界面self.__btn_Quit.clicked.connect(self.Quit)sub_layout.addWidget(self.__btn_Quit)self.__btn_Save = QPushButton("保存作品")self.__btn_Save.setParent(self)self.__btn_Save.clicked.connect(self.on_btn_Save_Clicked)sub_layout.addWidget(self.__btn_Save)self.__cbtn_Eraser = QCheckBox("使用橡皮擦")self.__cbtn_Eraser.setParent(self)self.__cbtn_Eraser.clicked.connect(self.on_cbtn_Eraser_clicked)sub_layout.addWidget(self.__cbtn_Eraser)splitter = QSplitter(self)# 占位符sub_layout.addWidget(splitter)self.__label_penThickness = QLabel(self)self.__label_penThickness.setText("画笔粗细")self.__label_penThickness.setFixedHeight(20)sub_layout.addWidget(self.__label_penThickness)self.__spinBox_penThickness = QSpinBox(self)self.__spinBox_penThickness.setMaximum(40)self.__spinBox_penThickness.setMinimum(2)self.__spinBox_penThickness.setValue(20)# 默认粗细为10self.__spinBox_penThickness.setSingleStep(2)# 最小变化值为2self.__spinBox_penThickness.valueChanged.connect(self.on_PenThicknessChange)# 关联spinBox值变化信号和函数on_PenThicknessChangesub_layout.addWidget(self.__spinBox_penThickness)self.__label_penColor = QLabel(self)self.__label_penColor.setText("画笔颜色")self.__label_penColor.setFixedHeight(20)sub_layout.addWidget(self.__label_penColor)self.__comboBox_penColor = QComboBox(self)self.__fillColorList(self.__comboBox_penColor)# 用各种颜色填充下拉列表self.__comboBox_penColor.currentIndexChanged.connect(self.on_PenColorChange)# 关联下拉列表的当前索引变更信号与函数on_PenColorChangesub_layout.addWidget(self.__comboBox_penColor)main_layout.addLayout(sub_layout)# 将子布局加入主布局def __fillColorList(self, comboBox):index_black = 0index = 0for color in self.__colorList:if color == "black":index_black = indexindex += 1pix = QPixmap(70, 20)pix.fill(QColor(color))comboBox.addItem(QIcon(pix), None)comboBox.setIconSize(QSize(70, 20))comboBox.setSizeAdjustPolicy(QComboBox.AdjustToContents)comboBox.setCurrentIndex(index_black)def on_PenColorChange(self):color_index = self.__comboBox_penColor.currentIndex()color_str = self.__colorList[color_index]self.__paintBoard.ChangePenColor(color_str)def on_PenThicknessChange(self):penThickness = self.__spinBox_penThickness.value()self.__paintBoard.ChangePenThickness(penThickness)def on_btn_Save_Clicked(self):savePath = QFileDialog.getSaveFileName(self, 'Save Your Paint', '.\\', '*.png')print(savePath)if savePath[0] == "":print("Save cancel")returnimage = self.__paintBoard.GetContentAsQImage()image.save(savePath[0])def on_cbtn_Eraser_clicked(self):if self.__cbtn_Eraser.isChecked():self.__paintBoard.EraserMode = True# 进入橡皮擦模式else:self.__paintBoard.EraserMode = False# 退出橡皮擦模式def Quit(self):self.close()def yuce(self):# #标准化图片 获取YsavePath = "./image_rgzn/test.png"image = self.__paintBoard.GetContentAsQImage()image.save(savePath)img = Image.open(savePath)img = img.convert("I")img = img.resize((28, 28))x = np.array(img)train_image = x.reshape(1, -1).T / 255w,layer = DeepNET.read_ccs("./model/model20221119225104.h5")p = DeepNET.predict1(train_image,w)self.__text_out.setText(str(p[0]))print(p)# print("hello")# res = QMessageBox.information(self,"人工智能判断为:",str(p),QMessageBox.Yes|QMessageBox.No)# res.exec_()# 读取数据权重# 预测并输出

(6)paintboard.py

'''Created on 2018年8月9日@author: Freedom'''from PyQt5.QtWidgets import QWidgetfrom PyQt5.Qt import QPixmap, QPainter, QPoint, QPaintEvent, QMouseEvent, QPen, \QColor, QSizefrom PyQt5.QtCore import Qtclass PaintBoard(QWidget):def __init__(self, Parent=None):'''Constructor'''super().__init__(Parent)self.__InitData()# 先初始化数据,再初始化界面self.__InitView()def __InitData(self):self.__size = QSize(280, 280)# 新建QPixmap作为画板,尺寸为__sizeself.__board = QPixmap(self.__size)self.__board.fill(Qt.black)# 用白色填充画板self.__IsEmpty = True# 默认为空画板self.EraserMode = False# 默认为禁用橡皮擦模式self.__lastPos = QPoint(0, 0)# 上一次鼠标位置self.__currentPos = QPoint(0, 0)# 当前的鼠标位置self.__painter = QPainter()# 新建绘图工具self.__thickness = 10# 默认画笔粗细为10pxself.__penColor = QColor("white")# 设置默认画笔颜色为黑色self.__colorList = QColor.colorNames()# 获取颜色列表def __InitView(self):# 设置界面的尺寸为__sizeself.setFixedSize(self.__size)def Clear(self):# 清空画板self.__board.fill(Qt.black)self.update()self.__IsEmpty = Truedef ChangePenColor(self, color="black"):# 改变画笔颜色self.__penColor = QColor(color)def ChangePenThickness(self, thickness=10):# 改变画笔粗细self.__thickness = thicknessdef IsEmpty(self):# 返回画板是否为空return self.__IsEmptydef GetContentAsQImage(self):# 获取画板内容(返回QImage)image = self.__board.toImage()return imagedef paintEvent(self, paintEvent):# 绘图事件# 绘图时必须使用QPainter的实例,此处为__painter# 绘图在begin()函数与end()函数间进行# begin(param)的参数要指定绘图设备,即把图画在哪里# drawPixmap用于绘制QPixmap类型的对象self.__painter.begin(self)# 0,0为绘图的左上角起点的坐标,__board即要绘制的图self.__painter.drawPixmap(0, 0, self.__board)self.__painter.end()def mousePressEvent(self, mouseEvent):# 鼠标按下时,获取鼠标的当前位置保存为上一次位置self.__currentPos = mouseEvent.pos()self.__lastPos = self.__currentPosdef mouseMoveEvent(self, mouseEvent):# 鼠标移动时,更新当前位置,并在上一个位置和当前位置间画线self.__currentPos = mouseEvent.pos()self.__painter.begin(self.__board)if self.EraserMode == False:# 非橡皮擦模式self.__painter.setPen(QPen(self.__penColor, self.__thickness))# 设置画笔颜色,粗细else:# 橡皮擦模式下画笔为纯白色,粗细为10self.__painter.setPen(QPen(Qt.white, 10))# 画线self.__painter.drawLine(self.__lastPos, self.__currentPos)self.__painter.end()self.__lastPos = self.__currentPosself.update()# 更新显示def mouseReleaseEvent(self, mouseEvent):self.__IsEmpty = False# 画板不再为空

感谢看完的读者,希望你们都可以对编程产生热爱!