沒吃過豬肉，但得看過豬跑锅纺。雖然我們暫時(shí)對深度學(xué)習(xí)及神經(jīng)網(wǎng)路的基本原理知之甚少掷空，但獲得深刻理性認(rèn)識必須建立在足夠的感性認(rèn)知之上，就像掌握游泳技巧的前提是把自己泡到水里囤锉。因此我們在研究分析神經(jīng)網(wǎng)絡(luò)的技術(shù)原理時(shí)坦弟，先用代碼構(gòu)建一個(gè)實(shí)用的智能系統(tǒng)，通過運(yùn)行后看結(jié)果的方式官地，我們就能快速建立起對深度學(xué)習(xí)相關(guān)技術(shù)的感知酿傍，這為我們后續(xù)建立扎實(shí)的理論體系奠定堅(jiān)實(shí)的基礎(chǔ)。
神經(jīng)網(wǎng)絡(luò)系統(tǒng)的開發(fā)一般都使用python語言驱入，我們也不例外赤炒，我們的手寫數(shù)字識別系統(tǒng)將使用python來開發(fā)氯析，首先要做的是在機(jī)器上安裝開發(fā)環(huán)境，也就是Anacoda莺褒。安裝好了后掩缓，我們需要繼續(xù)安裝開發(fā)神經(jīng)網(wǎng)絡(luò)最常用的開發(fā)框架，這里我們選擇Keras遵岩，打開控制臺你辣，輸入下面命令行：
install -c conda-forge keras
這樣我們就能自動(dòng)在Anacoda開發(fā)環(huán)境里嵌入Keras框架，上面命令運(yùn)行后如圖所示：
我們需要注意的是尘执，要選擇Linux系列系統(tǒng)來進(jìn)行開發(fā)舍哄，Kares框架對windows的支持不是很好。完成上面開發(fā)環(huán)境的設(shè)置后誊锭，我們盡可以著手代碼的編寫蠢熄。
首先我們先引入用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集，代碼如下：
from keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
print(train_images.shape)
這段代碼將訓(xùn)練數(shù)據(jù)和檢測數(shù)據(jù)加載到內(nèi)存中炉旷，train_images是用于訓(xùn)練系統(tǒng)的手寫數(shù)字圖片，train_labels是用于標(biāo)志圖片的信息叉讥，test_images是用于檢測系統(tǒng)訓(xùn)練效果的圖片窘行，test_labels是test_images圖片對應(yīng)的數(shù)字標(biāo)簽。代碼運(yùn)行后图仓，情況如下：
第一行打印結(jié)果表明罐盔，train_images是一個(gè)含有60000個(gè)元素的數(shù)組，數(shù)組中的元素是一個(gè)二維數(shù)組救崔，二維數(shù)組的行和列都是28.也就是說惶看，一個(gè)首先數(shù)字圖片的像素大小是28*28。我們打印出來的train_lables數(shù)組表明六孵，第一張手寫數(shù)字圖片的內(nèi)容是數(shù)字5纬黎，第二種圖片是數(shù)字0，以此類推劫窒。
print(test_images.shape)的結(jié)果表示本今，用于檢驗(yàn)系統(tǒng)效果的圖片有10000張，print(test_labels)輸出結(jié)果表明主巍，用于檢測的第一張圖片內(nèi)容是數(shù)字7冠息，第二張是數(shù)字2，依次類推孕索。
接下來我們把用于測試的第一張圖片打印出來看看逛艰，代碼如下：
digit = test_images[0]
import matplotlib.pyplot as plt
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()
上面代碼執(zhí)行后的結(jié)果為：
通過我們?nèi)搜圩R別可以看出，圖片里面黑色圖案表示的確實(shí)是一個(gè)數(shù)字7搞旭，我們需要做的就是讓計(jì)算機(jī)也能把它識別出來散怖。接下來我們要使用Keras迅速搭建一個(gè)有效識別圖案的神經(jīng)網(wǎng)絡(luò)菇绵，代碼如下：
from keras import models
from keras import layers
network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28*28,)))
network.add(layers.Dense(10, activation='softmax'))
我們先將代碼相關(guān)組件從keras框架里引入，代碼里的layers表示的就是神經(jīng)網(wǎng)絡(luò)中的一個(gè)數(shù)據(jù)處理層杭抠。models.Sequential() 表示我們要把每一個(gè)數(shù)據(jù)處理層串聯(lián)起來脸甘，就好像用一根線把一排珠子串起來一樣。神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理層之間的組合方式有多種偏灿，串聯(lián)是其中一種丹诀，也是最常用的一種。
layers.Dense(...)就是構(gòu)造一個(gè)數(shù)據(jù)處理層翁垂。input_shape(28*28,)表示當(dāng)前處理層接收的數(shù)據(jù)格式必須是長和寬都是28的二維數(shù)組铆遭，后面的“,“表示數(shù)組里面的每一個(gè)元素到底包含多少個(gè)數(shù)字都沒有關(guān)系，例如：
[
[1,2], [3,4],
[5,6], [7,8]
]
表示的就是一個(gè)2*2的二維數(shù)組沿猜，只不過數(shù)組的每個(gè)元素是一個(gè)含有兩個(gè)數(shù)組的一維數(shù)組枚荣。代碼構(gòu)造了兩個(gè)數(shù)據(jù)處理層，接下來我們需要把數(shù)據(jù)處理層連接起來啼肩，并設(shè)置網(wǎng)絡(luò)的其他部分橄妆，回想上一節(jié)我們提到的神經(jīng)網(wǎng)絡(luò)模型：
前面代碼完成了上圖中，上半部分含有四個(gè)矩形的部分祈坠，接著我們要完成下半部分害碾，代碼如下：
network.compile(optimizer='rmsprop', loss='categorical_crossentropy',
metrics=['accuracy'])
代碼中的輸入?yún)?shù)optimizer, loss都對應(yīng)著上圖中相關(guān)組件，metrics的含義我們以后再深究赦拘。上面代碼完成后慌随，整個(gè)神經(jīng)網(wǎng)絡(luò)就建立好了，接下來我們需要把數(shù)據(jù)喂給它躺同，以便對它進(jìn)行訓(xùn)練阁猜，在輸入數(shù)據(jù)前，我們需要把數(shù)據(jù)做一個(gè)處理蹋艺，相關(guān)代碼如下：
train_images = train_images.reshape((60000, 28*28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28*28))
test_images = test_images.astype('float32') / 25
其中reshape(60000, 28*28) 的意思是剃袍，train_images數(shù)組原來含有60000個(gè)元素，每個(gè)元素是一個(gè)28行车海，28列的二維數(shù)組笛园，現(xiàn)在把每個(gè)二維數(shù)組轉(zhuǎn)變?yōu)橐粋€(gè)含有28*28個(gè)元素的一維數(shù)組。由于數(shù)字圖案是一個(gè)灰度圖侍芝，圖片中每個(gè)像素點(diǎn)值的大小范圍在0到255之間研铆，代碼train_images.astype("float32")/255 把每個(gè)像素點(diǎn)的值從范圍0-255轉(zhuǎn)變?yōu)榉秶?-1之間的浮點(diǎn)值。
接著我們把圖片對應(yīng)的標(biāo)記也做一個(gè)更該州叠，目前所有圖片的數(shù)字圖案對應(yīng)的是0到9棵红，例如test_images[0]對應(yīng)的是數(shù)字7的手寫圖案，那么其對應(yīng)的標(biāo)記test_labels[0]的值就是7咧栗，我們需要把數(shù)值7變成一個(gè)含有10個(gè)元素的數(shù)組逆甜，然后在低7個(gè)元素設(shè)置為1虱肄，其他元素設(shè)置為0，例如test_lables[0] 的值由7轉(zhuǎn)變?yōu)閿?shù)組[0,0,0,0,0,0,0,1,0,0,], 實(shí)現(xiàn)這個(gè)功能的代碼如下：
from keras.utils import to_categorical
print("before change:" ,test_labels[0])
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
print("after change: ", test_labels[0])
上面代碼執(zhí)行后效果如下：
數(shù)據(jù)格式處理完畢后交煞，我們就把數(shù)據(jù)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練咏窿，這里我們只需要一行代碼：
network.fit(train_images, train_labels, epochs=5, batch_size = 128)
上面代碼參數(shù)需要解析一下，train_images是用于訓(xùn)練的手寫數(shù)字圖片素征，train_labels對應(yīng)的是圖片的標(biāo)記集嵌，batch_size 的意思是，每次網(wǎng)絡(luò)從輸入的圖片數(shù)組中隨機(jī)選取128個(gè)作為一組進(jìn)行計(jì)算御毅，每次計(jì)算的循環(huán)是五次根欧，這些概念我們后面講解原理時(shí)，會(huì)詳細(xì)解釋端蛆。這句代碼運(yùn)行結(jié)果如下：
網(wǎng)絡(luò)經(jīng)過訓(xùn)練后凤粗，我們就可以把測試數(shù)據(jù)輸入，檢驗(yàn)網(wǎng)絡(luò)學(xué)習(xí)后的圖片識別效果了今豆，代碼如下：
test_loss, test_acc = network.evaluate(test_images, test_labels, verbose=1)
print(test_loss)
print('test_acc', test_acc)
代碼運(yùn)行的結(jié)果如下：
運(yùn)行結(jié)果的意思是嫌拣，用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)判斷test_images中的一萬張手寫數(shù)字圖案，網(wǎng)絡(luò)能夠正確識別的比率是0.9128,也就是說網(wǎng)絡(luò)對給定測試圖案識別的正確率是91.28%,這個(gè)比率不算太高呆躲，里面有若干原因亭罪，一是神經(jīng)網(wǎng)絡(luò)需要運(yùn)行在GPU上，而我的個(gè)人電腦只有CPU沒有GPU,由于硬件的原因影響了識別效果歼秽，而是網(wǎng)絡(luò)訓(xùn)練的強(qiáng)度不夠大，后面我們講解原理時(shí)情组，會(huì)體驗(yàn)到網(wǎng)絡(luò)是如何改進(jìn)自己的識別效率的燥筷。
最后，我們輸入一張手寫數(shù)字圖片到網(wǎng)絡(luò)中院崇，看看它的識別效果肆氓，代碼如下：
from keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
digit = test_images[1]
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()
test_images = test_images.reshape((10000, 28*28))
res = network.predict(test_images)
for i in range(res[1].shape[0]):
if (res[1][i] == 1):
print("the number for the picture is : ", i)
break
我們把數(shù)據(jù)重新加載以便，調(diào)用神經(jīng)網(wǎng)絡(luò)對象的predict接口底瓣，將要檢測的圖片數(shù)據(jù)傳入谢揪，接口執(zhí)行后，會(huì)把網(wǎng)絡(luò)的識別結(jié)果返回捐凭，上面代碼完成后拨扶，運(yùn)行效果如下：
我們將識別的第二張圖片顯示出來，通過肉眼判斷它應(yīng)該是數(shù)字2茁肠，神經(jīng)網(wǎng)絡(luò)識別后給出的結(jié)果也是數(shù)字2患民，可見網(wǎng)絡(luò)經(jīng)過訓(xùn)練后，具備了足夠強(qiáng)的圖像識別能力垦梆。在沒有深度學(xué)習(xí)算法前匹颤，實(shí)現(xiàn)這種功能的算法叫OCR,也就是光字符識別仅孩，算法的實(shí)現(xiàn)異常復(fù)雜，而且效果也是很好印蓖，而有了深度學(xué)習(xí)后辽慕，不到百行代碼就能更好的完成相應(yīng)功能，這就是深度學(xué)習(xí)的強(qiáng)大威力赦肃。
更詳細(xì)的講解和代碼調(diào)試演示過程溅蛉，請點(diǎn)擊鏈接
如果你點(diǎn)擊鏈接后，沒有發(fā)現(xiàn)名為《人工智能實(shí)戰(zhàn):使用深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)構(gòu)建圖像識別與語義分析系統(tǒng)》的課程,那表明視頻還在制作和審批中摆尝，敬請期待温艇！
更多技術(shù)信息，包括操作系統(tǒng)堕汞，編譯器勺爱，面試算法，機(jī)器學(xué)習(xí)讯检，人工智能琐鲁，請關(guān)照我的公眾號：
