神经网络MPLClassifier分类

代码：

# -*- coding: utf-8 -*-
"""
Created on Fri Aug 24 14:38:56 2018

@author: zhen
"""
import gzip
import pickle
import numpy as np
from sklearn.neural_network import MLPClassifier

 # 加载数据
 # 设置编码，解决异常：UnicodeDecodeError: 'ascii' codec can't decode byte 0x90 in position 614: ordinal not in range(128)
with gzip.open("E:/mnist.pkl.gz") as fp:
    training_data, valid_data, test_data = pickle.load(fp, encoding='bytes')
x_training_data, y_training_data = training_data
x_valid_data, y_valid_data = valid_data
x_test_data, y_test_data = test_data
classes = np.unique(y_test_data)

# 将验证集和训练集合并
x_training_data_final = np.vstack((x_training_data, x_valid_data))
y_training_data_final = np.append(y_training_data, y_valid_data)

# 设置神经网络模型参数
# 使用solver='lbfgs'，拟牛顿法，需要较多的跌点次数
lbfgs = MLPClassifier(solver='lbfgs', activation='relu', alpha=1e-4, hidden_layer_sizes=(50, 50), random_state=1, max_iter=10, verbose=10, learning_rate_init=0.1)
# 使用solver='adam'，基于随机梯度下降的优化算法，准确率较低
adam = MLPClassifier(solver='adam', activation='relu', alpha=1e-4, hidden_layer_sizes=(50, 50), random_state=1, max_iter=10, verbose=10, learning_rate_init=0.1)
# 使用solver='sgd'，基于梯度下降的自适应优化算法，分批训练数据，效率高，准确性高，建议使用
sgd = MLPClassifier(solver='sgd', activation='relu', alpha=1e-4, hidden_layer_sizes=(50, 50), random_state=1, max_iter=10, verbose=10, learning_rate_init=0.1)


# 使用不同算法训练模型
lbfgs.fit(x_training_data_final, y_training_data_final)
adam.fit(x_training_data_final, y_training_data_final)
sgd.fit(x_training_data_final, y_training_data_final)

# 预测
lbfgs_predict = lbfgs.predict(x_test_data)
adam_predict = adam.predict(x_test_data)
sgd_predict = sgd.predict(x_test_data)

print(lbfgs_predict)
print("*******************************************")
print(adam_predict)
print("@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@")
print(sgd_predict)
print("!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!")
# 评估模型
print(lbfgs.score(x_test_data, y_test_data))
print("===========================================")
print(adam.score(x_test_data, y_test_data))
print("-------------------------------------------")
print(sgd.score(x_test_data, y_test_data))

# 输出正确结果
print(y_test_data)

结果：

 

　　max_iter=10

 

　　max_iter=20

　　注意： 　

　　1.　当使用pickle加载mnist数据时，python3.x与python2.x差距较大，python3.x会抛出异常，异常信息为：UnicodeDecodeError: 'ascii' codec can't decode byte 0x90 in position 614: ordinal not in range(128)

　　　　此时需要指定编码pickle.load(fp, encoding='bytes')来解决异常！

　　2.    比较lbfgs（拟牛顿法）、adam（基于随机梯度下降的优化算法）和sgd（基于梯度下降的自适应优化算法）可知，lbfgs波动较大，在相同训练数据的情况下，当迭代次数不同时，模型预测准确率波动较大。adam算法模型训练较快，但模型预测准确率较差，适合应用在预测准确率要求不高，响应时间短的地方。sgd算法在模型训练速度和预测准确率方面都能达到较好的效果，建议使用！