今天，我将与您分享python运行的Minst数据库需要多长时间。它也将解释它。如果您可以解决您现在面临的问题，请不要忘记注意此网站。让我们现在开始！
本文目录清单：
1. Python培训MNIST多长时间？2. Python如何将MNIST数据集用于数字识别？3。2.建立神经网络模型培训MNIST手写数字数据集问题和解决方案实际上是Python读取Binnary文件的方式
MNIST的结构如下，选择的火车图像
训练集图像文件（火车图像-IDX3-UBYTE）：
[offset] [type] [value] [描述]
0000 32位整数0x00000803（2051）魔术号码
0004 32位整数60000图像数量
0008 32位整数28行数
0012 32位整数28列数
0016未签名字节??像素
0017未签名字节??像素
.........
xxxx unsigned字节??像素
也就是说，我们必须阅读4 32位整数
我尝试了很多方法，我感到最方便，至少对我来说
struct.unpack_from（）
文件名='train-images.idx3-ubyte'
binfile = open（文件名，'rb'）
buf = binfile.read（）
首先使用二进制方法读取文件
索引= 0
魔术，数字，numrows，numcolumns = struct.unpack_from（'iiii'，buf，index）
索引 += struct.calcsize（'iiii'）
然后使用strc.unpack_from
“ iiii”是指读取4个未内置的INT32，具有大端方法
然后阅读图片测试是否成功阅读
im = struct.unpack_from（'784b'，buf，index）
索引 += struct.calcsize（'784b'）
im = np.array（im）
im = im.Reshape（28,28）
无花果= plt.figure（）
plotWindow =图。Add_subplot（111）
plt.imshow（im，cmap ='灰色'）
plt.show（）
“ 784b”是指用大端方法读取784个未签名字节
完整的代码如下
导入numpy作为NP
导入结构
导入matplotlib.pyplot作为PLT
文件名='train-images.idx3-ubyte'
binfile = open（文件名，'rb'）
buf = binfile.read（）
索引= 0
魔术，数字，numrows，numcolumns = struct.unpack_from（'iiii'，buf，index）
索引 += struct.calcsize（'iiii'）
im = struct.unpack_from（'784b'，buf，index）
索引 += struct.calcsize（'784b'）
im = np.array（im）
im = im.Reshape（28,28）
无花果= plt.figure（）
plotWindow =图。Add_subplot（111）
plt.imshow（im，cmap ='灰色'）
plt.show（）
784b'，buf，index）x0dx0aindex+= struct.calcsize（'784b'）x0dx0ax0ax0aim = np.array（im）x0dx0aim =成功，所以我只读了一张图片
批处理输入后，如何通过Numpy矩阵计算计算每个授权的梯度以提高计算速度
def BackProp（self，x，y）：#x是一个多维矩阵。each是x value.y是一个多维矩阵。east。east是y值。
batch_num = X.Shape [1]
#print（X.Shape）
#print（Y.Shape）
“”“”创建两个变量来存储与所有B值和所有W值相对应的梯度值。初始化为0.nabla_b to列表，该列表与Biasees的形状完全相同。nabla_w是具有权重形状和形状的列表。完全一致。
”“”
nabla_b = [np.zeros（b.shape）for biase.biases]
nabla_w = [np.zeros（w. shape）for w in self.peighights]
＃feedforward
“”“激活，用于在计算过程中，即一个值的最终输出值和输出层的最终输出值。该值是为每个B和W的梯子记录的，用于以后使用BP算法。
”“”
激活= x #x是该批次中由多个X组成的矩阵。
激活= [x]＃列表要粘贴所有激活，一层逐层
“”“” ZS，用于正面 - 到计算过程中所有中间层和输出层的线性输出值，即z值。该值是为每个B和W的梯子记录的，用于以后使用BP算法。
”“”
zs = []＃列表要粘贴所有z向量，逐层，zs的每个元素都是由z组成的矩阵，该矩阵与对应于批处理的x相对应。
”“”
通过积极的计算，将计算并存储中间层和输出层的所有Z值以及一个值。对于下一个梯度使用。
”“”
对于b，w在zip中（self.biases，self.proce）：
#print（W.Shape）
#print（np.dot（w，active）.shape）
#print（B.形）
z = np.dot（w，active）+b #z是由x组成的矩阵。
zs.append（z）
活动= sigmoid（z）
Activations.Append（激活）
”“”
通过使用BP算法来求解每个训练参数。这是重量更新过程的关键，可以计算以下部分。
”“”
＃向后传球
＃找到输出层的增量值
delta =（（激活[-1] -y） * sigmoid_prime（zs [-1]）
nabla_b [-1] = delta.mean（axis = 1）.Reshape（-1，1）
nabla_w [-1] = np.dot（delta，activations [-2] .transpose（））/batch_num
＃请注意，下面的循环中的变量L有点使用
＃与本书第2章中的符号不同。这里，
＃l = 1表示神经元的最后一层，l = 2是
＃第二层层，依此类推。这是对
＃书中的方案，在此处利用事实
＃Python可以在列表中使用负索引。
对于范围内的L（2，self.num_layers）：
z = zs [-l]
sp = sigmoid_prime（z）
delta =（np.dot（self.peage [-l+1] .transpose（），delta） * sp）
nabla_b [-l] = delta.mean（axis = 1）.Reshape（-1，1）
nabla_w [-l] = np.dot（delta，activations [-l-1] .transpose（））/batch_num
返回（nabla_b，nabla_w）
##梯度计算后，如何更新值
def update_mini_batch（self，mini_batch，eta）：
“”“通过申请更新网络的权重和偏见
使用反向传播到单个迷你批次的梯度设计。
“ mini_batch”是元组列表（x，y）````eT'''
是学习率。“”“”“”“”
“”“初始化变量，存储不同的训练参数。
”“”
nabla_b = [np.zeros（b.shape）for biase.biases]
nabla_w = [np.zeros（w. shape）for w in self.peighights]
“”“”循环以批量获取每个数据，获得每个训练参数的差分分数，并在添加后获得训练参数的差分总和。
”“”
x_batch =无
y_batch =无
对于x，y在mini_batch中：
如果（x_batch无）：
x_batch = x
别的：
x_batch = np.append（x_batch，x，axis = 1）
如果（y_batch无）：
y_batch = y
别的：
y_batch = np.append（y_batch，y，axis = 1）
delta_nabla_b，delta_nabla_w = self.backprop（x_batch，y_batch）
nabla_b = [nb+dnb for nb，dnb in zip（nabla_b，delta_nabla_b）]
nabla_w = [nw+dnw for nw，dnw in zip（nabla_w，delta_nabla_w）]]
“”“”“使用每个训练参数的平均差异和步进的乘积来更新每个训练参数
”“”
self.weights = [w-eta*nw
对于w，nw中的nw（self.peighights，nabla_w）]]]]
self.biases = [b-eta*nb
对于b，nb在zip中（self.biases，nabla_b）]]]]
让我们谈谈Python运行Minst数据库多长时间。感谢您阅读本网站的内容。有关python运行Minst数据库的更多信息，请不要忘记在此站点上找到它。