深度学习手写数据集

题目要求：完成对手写数字数据集的读取、神经网络的推理和批处理过程，3层网络结构（第一隐藏层100个神经元，第二隐藏层50个神经元，输出层10个神经元，神经网络的参数随机生成），计算模型的准确率

# coding:utf-8
# 库导入
import numpy as np
import pickle

def sigmoid(x):
    """

    :param x: 进入隐藏层的参数
    :return: 激活函数的值
    """
    return 1 / (1 + np.exp(-x))

def softmax(x):
    '''

    :param x: 进入输出层的参数
    :return: 输出层的结果
    '''
    max = np.max(x)
    exp_x = np.exp(x - max)
    return exp_x / np.sum(exp_x)
# 输入的导入以及初始化
def init():
    '''

    :return: 文件中的数据集
    '''
    # 数据输入
    with open(r'C:\Users\86135\Desktop\mnist.pkl', 'rb') as file:
        dataset = pickle.load(file)
    x_train, y_train, x_test, y_test = dataset["train_img"], dataset["train_label"],\
                                       dataset["test_img"], dataset["test_label"]
    return x_train, y_train, x_test, y_test


def work(x_train, y_train, x_test, y_test):
    '''

    :param x_train: 训练集
    :param y_train: 测试集
    :param x_test: 训练集标签
    :param y_test: 测试集标签
    :return: 正确划分数据集标签的个数
    '''
    # 隐藏层, 输出层的权重参数和偏置初始化
    w1 = np.random.rand(784, 100)
    b1 = np.random.rand(100)
    w2 = np.random.rand(100, 50)
    b2 = np.random.rand(50)
    w3 = np.random.rand(50, 10)
    b3 = np.random.rand(10)
    correct = 0  # 用来记录正确预测的数量
    # 遍历所有的测试集
    for i in range(len(x_test)):
        x = x_test[i]
        # 第一层隐藏层
        a1 = np.dot(x, w1) + b1
        z1 = sigmoid(a1)
        # 第二层隐藏层
        a2 = np.dot(z1, w2) + b2
        z2 = sigmoid(a2)
        # 输出层
        a3 = np.dot(z2, w3) + b3
        y = softmax(a3)
        y_label = np.argmax(y)
        # 如果预测的和正确标签一直，则正确预测数量+1
        if y_label == y_test[i]:
            correct += 1
    return correct

# 数据初始化
x_train, y_train, x_test, y_test = init()
correct = work(x_train, y_train, x_test, y_test)
# 结果展示
print(f"预测的正确的数量有{correct}个")
print(f"正确率为{correct / len(x_test) * 100:.2f}%")

手写数据集文件下载地址 mnist.pkl