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！