# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
import pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax


def get_data():
    (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    return x_test, t_test


def init_network():
    with open("sample_weight.pkl", 'rb') as f:
        network = pickle.load(f)
    return network


def predict(network, x):
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']

    a1 = np.dot(x, W1) + b1
    z1 = sigmoid(a1)
    a2 = np.dot(z1, W2) + b2
    z2 = sigmoid(a2)
    a3 = np.dot(z2, W3) + b3
    y = softmax(a3)

    return y


x, t = get_data()
network = init_network()
accuracy_cnt = 0
for i in range(len(x)):
    y = predict(network, x[i])
    p= np.argmax(y) # 获取概率最高的元素的索引
    if p == t[i]:
        accuracy_cnt += 1

print("Accuracy:" + str(float(accuracy_cnt) / len(x)))

1.导入模块

import sys, os
sys.path.append(os.pardir)  # 把父目录加入路径，方便导入其他模块
import numpy as np
import pickle
from dataset.mnist import load_mnist
from common.functions import sigmoid, softmax

• sys.path.append(os.pardir)：

  • os.pardir 是父目录 (..)。

  • 加这行是为了可以导入 dataset.mnist 和 common.functions。

• pickle：用来加载训练好的神经网络权重（存放在 sample_weight.pkl）。

• sigmoid 和 softmax：

  • 激活函数

    • sigmoid：用于隐藏层。

    • softmax：输出层，用于多分类概率。

---

2️⃣ 加载 MNIST 测试数据

def get_data():
    (x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, flatten=True, one_hot_label=False)
    return x_test, t_test

• 使用 load_mnist() 加载数据集。

  • normalize=True：把像素值缩放到 0~1。

  • flatten=True：每张图片展平成 784（28x28）的一维数组。

  • one_hot_label=False：标签是普通数字（如 5），不是 one-hot 编码。

• 只返回测试集：x_test, t_test

---

3️⃣ 加载训练好的神经网络

def init_network():
    with open("sample_weight.pkl", 'rb') as f:
        network = pickle.load(f)
    return network

• 从 sample_weight.pkl 里读取神经网络权重和偏置。

• 这个文件里保存了：

  • W1, b1：输入层 → 第一隐藏层的权重和偏置

  • W2, b2：第一隐藏层 → 第二隐藏层

  • W3, b3：第二隐藏层 → 输出层

---

4️⃣ 前向传播预测

def predict(network, x):
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']

    a1 = np.dot(x, W1) + b1
    z1 = sigmoid(a1)

    a2 = np.dot(z1, W2) + b2
    z2 = sigmoid(a2)

    a3 = np.dot(z2, W3) + b3
    y = softmax(a3)

    return y
 

前向传播的3层神经网络结构：

1. 第一层：

   • 计算加权和：a1 = x·W1 + b1

   • 激活函数：z1 = sigmoid(a1)

2. 第二层：

   • a2 = z1·W2 + b2

   • z2 = sigmoid(a2)

3. 第三层（输出层）：

   • a3 = z2·W3 + b3

   • 使用 softmax 归一化，得到每个类别的概率分布：y = softmax(a3)

---

5️⃣ 计算测试集准确率

x, t = get_data()
network = init_network()
accuracy_cnt = 0
for i in range(len(x)):
    y = predict(network, x[i])
    p = np.argmax(y)  # 概率最大的索引（预测类别）
    if p == t[i]:
        accuracy_cnt += 1

print("Accuracy:" + str(float(accuracy_cnt) / len(x)))

• 遍历测试集 x：

  • 用 predict() 得到预测结果 y

  • np.argmax(y)：找到概率最大值对应的索引 → 预测的数字

  • 如果预测值 p 和真实标签 t[i] 相等 → 计数加1

• 最后计算准确率：

  accuracy = 正确预测数量 / 测试样本总数

---

📖 整体逻辑总结

1. 加载：

   • 训练好的权重（sample_weight.pkl）。

   • 测试集数据。

2. 预测：

   • 通过一个 3 层神经网络做前向传播。

3. 评估：

   • 统计预测正确的数量，计算准确率。

---

🧠 这个网络是几层的？

• 输入层（784 节点）

• 隐藏层1（W1, b1）

• 隐藏层2（W2, b2）

• 输出层（10 节点，对应数字 0~9）