import numpy

 import scipy.special

 import matplotlib.pyplot as plt

 import pylab

 # 神经网络类定义

 class NeuralNetwork():

     # 初始化神经网络

     def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):

         # 设置输入层节点，隐藏层节点和输出层节点的数量

         self.inodes = inputnodes

         self.hnodes = hiddennodes

         self.onodes = outputnodes

         # 学习率设置

         self.lr = learningrate

         # 权重矩阵设置 正态分布

         self.wih = numpy.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))

         self.who = numpy.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))

         # 激活函数设置，sigmod()函数

         self.activation_function = lambda x: scipy.special.expit(x)

         pass

     # 训练神经网络

     def train(self,input_list,target_list):

         # 转换输入输出列表到二维数组

         inputs = numpy.array(input_list, ndmin=2).T

         targets = numpy.array(target_list,ndmin= 2).T

         # 计算到隐藏层的信号

         hidden_inputs = numpy.dot(self.wih, inputs)

         # 计算隐藏层输出的信号

         hidden_outputs = self.activation_function(hidden_inputs)

         # 计算到输出层的信号

         final_inputs = numpy.dot(self.who, hidden_outputs)

         final_outputs = self.activation_function(final_inputs)

         output_errors = targets - final_outputs

         hidden_errors = numpy.dot(self.who.T,output_errors)

         #隐藏层和输出层权重更新

         self.who += self.lr * numpy.dot((output_errors*final_outputs*(1.0-final_outputs)),

                                         numpy.transpose(hidden_outputs))

         #输入层和隐藏层权重更新

         self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)),

                                         numpy.transpose(inputs))

         pass

     # 查询神经网络

     def query(self, input_list):

         # 转换输入列表到二维数组

         inputs = numpy.array(input_list, ndmin=2).T

         # 计算到隐藏层的信号

         hidden_inputs = numpy.dot(self.wih, inputs)

         # 计算隐藏层输出的信号

         hidden_outputs = self.activation_function(hidden_inputs)

         # 计算到输出层的信号

         final_inputs = numpy.dot(self.who, hidden_outputs)

         final_outputs = self.activation_function(final_inputs)

         return final_outputs

 # 设置每层节点个数

 input_nodes = 784

 hidden_nodes = 100

 output_nodes = 10

 # 设置学习率为0.3

 learning_rate = 0.3

 # 创建神经网络

 n = NeuralNetwork(input_nodes, hidden_nodes, output_nodes, learning_rate)

 #读取训练数据集 转化为列表

 training_data_file = open("D:/mnist_train_100.csv",'r')

 training_data_list = training_data_file.readlines();

 training_data_file.close()

 #训练神经网络

 for record in training_data_list:

     #根据逗号，将文本数据进行拆分

     all_values = record.split(',')

     #将文本字符串转化为实数，并创建这些数字的数组。

     inputs = (numpy.asfarray(all_values[1:])/255.0 * 0.99) + 0.01

     #创建用零填充的数组，数组的长度为output_nodes,加0.01解决了0输入造成的问题

     targets = numpy.zeros(output_nodes) + 0.01

     #使用目标标签，将正确元素设置为0.99

     targets[int(all_values[0])] = 0.99

     n.train(inputs,targets)

     pass

 #读取测试文件

 test_data_file = open("D:/mnist_test_10.csv",'r')

 test_data_list = test_data_file.readlines()

 test_data_file.close()

 all_values = test_data_list[0].split(',')

 print(all_values[0])  #输出目标值

 image_array = numpy.asfarray(all_values[1:]).reshape((28,28))

 print(n.query((numpy.asfarray(all_values[1:])/255.0*0.99)+0.01))#输出标签值

 plt.imshow(image_array,cmap='Greys',interpolation='None')#显示原图像

 pylab.show()