人工神经网络（ANN）BP算法应用（手写体数字识别部分代码）

人工神经网络在热门的人工智能领域有着很多很好的应用。

在网上也有很多优秀的文章阐述人工神经网络的原理和应用，可以参考以下优秀的文章。

https://blog.csdn.net/leiting_imecas/article/details/60463897

https://blog.csdn.net/sinat_36171246/article/details/71056454?locationNum=1&fps=1

https://www.jianshu.com/p/f69e16df2623

在应用上，python利用keras和TensorFlow可以完成人工神经网络的模型建立和使用。

BP人工神经网络实现预测（分类）的基本过程如下：

1、读取数据
2、keras.models Sequential  和  keras.layers.core Dense  Activation  模块使用
3、Sequential建立模型
4、Dense建立层
5、Activation 激活函数
6、compile模型编译
7、fit训练（学习）
8、验证预测

实现部分，首先准备数据，将数据处理为规定类型。

利用BP人工神经网络模型实现代码如下：

#使用人工神经网络模型
from keras.models import Sequential
from keras.layers.core import Dense,Activation
model=Sequential()
#输入层
model.add(Dense(10,input_dim=len(x2[0]))) #input_dim  特征数
model.add(Activation("relu"))
#输出层
model.add(Dense(1,input_dim=1))
model.add(Activation("sigmoid"))
#模型的编译
model.compile(loss="binary_crossentropy",optimizer="adam",class_mode="binary") #损失函数
#训练
model.fit(x2,y2,nb_epoch=200,batch_size=100)  #训练次数epoch  p大小，调整准确率
#预测分类
rst=model.predict_classes(x).reshape(len(x))

• 利用BP人工神经网络实现手写体数字识别；

  #数据的读取与整理
  #加载数据
  def datatoarray(fname):
      arr=[]
      fh=open(fname)
      for i in range(0,32):
          thisline=fh.readline()
          for j in range(0 , 32):
              arr.append(int(thisline[j]))
      return arr
  #建立一个函数取出labels
  def seplabel(fname):
      filestr=fname.split(".")[0]
      label=int(filestr.split("_")[0])
      return label
  #建立训练数据
  def traindata():
      labels=[]
      trainfile=os.listdir("./traindata")
      num=len(trainfile)
      trainarr=npy.zeros((num,1024))
      for i in range(num):
          thisfname=trainfile[i]
          thislabel=seplabel(thisfname)
          labels.append(thislabel)
          trainarr[i,]=datatoarray("./traindata/"+thisfname)
      return trainarr,labels
  trainarr,labels=traindata()
  xf=pda.DataFrame(trainarr)
  yf=pda.DataFrame(labels)
  tx2=xf.as_matrix().astype(int)
  ty2=yf.as_matrix().astype(int)
  #使用人工神经网络模型
  from keras.models import Sequential
  from keras.layers.core import Dense,Activation
  model=Sequential()
  #输入层
  model.add(Dense(10,input_dim=1024))
  model.add(Activation("relu"))
  #输出层
  model.add(Dense(1,input_dim=1))
  model.add(Activation("sigmoid"))
  #模型的编译
  model.compile(loss="mean_squared_error",optimizer="adam")
  #训练
  model.fit(tx2,ty2,nb_epoch=10000,batch_size=6)
  #预测分类
  #根据上述训练数据一样，可将测试数据相同处理后利用predict——classes方法预测分类