import pandas as pd
import numpy as np
from sklearn.neural_network import MLPRegressor  #從sklearn的神經(jīng)網(wǎng)絡(luò)中引入多層感知器

data_tr = pd.read_csv('BPdata_tr.txt')  # 訓練集樣本
data_te = pd.read_csv('BPdata_te.txt')  # 測試集樣本
X=np.array([[0.568928884039633],[0.379569493792951]]).reshape(1, -1)#預測單個樣本

#參數(shù)：hidden_layer_sizes中間層的個數(shù)  activation激活函數(shù)默認relu  f（x）= max（0,x）負值全部舍去，信號相應(yīng)正向傳播效果好
#random_state隨機種子，max_iter最大迭代次數(shù)，即結(jié)束，learning_rate_init學習率，學習速度，步長
model = MLPRegressor(hidden_layer_sizes=(10,), activation='relu',random_state=10, max_iter=8000, learning_rate_init=0.3)  # 構(gòu)建模型,調(diào)用sklearn實現(xiàn)神經(jīng)網(wǎng)絡(luò)算法
model.fit(data_tr.iloc[:, :2], data_tr.iloc[:, 2])    # 模型訓練(將輸入數(shù)據(jù)x，結(jié)果y放入多層感知器擬合建立模型) .iloc是按位置取數(shù)據(jù)
pre = model.predict(data_te.iloc[:, :2])              # 模型預測（測試集數(shù)據(jù)預測，將實際結(jié)果與預測結(jié)果對比）

pre1 = model.predict(X)#預測單個樣本,實際值0.467753075712819
err = np.abs(pre - data_te.iloc[:, 2]).mean()# 模型預測誤差（|預測值-實際值|再求平均）

print("模型預測值：",pre,end='\n______________________________\n')
print('模型預測誤差：',err,end='\n++++++++++++++++++++++++++++++++\n')
print("單個樣本預測值：",pre1,end='\n++++++++++++++++++++++++++++++++\n')

#查看相關(guān)參數(shù)。
print('權(quán)重矩陣：','\n',model.coefs_) #list，length n_layers - 1,列表中的第i個元素表示對應(yīng)于層i的權(quán)重矩陣。
print('偏置矩陣：','\n',model.intercepts_) #list，length n_layers - 1,列表中的第i個元素表示對應(yīng)于層i + 1的偏置矢量。

#數(shù)字手寫識別系統(tǒng)，DBRHD和MNIST是數(shù)字手寫識別的數(shù)據(jù)集
import numpy as np  # 導入numpy工具包
from os import listdir  # 使用listdir模塊，用于訪問本地文件
from sklearn.neural_network import MLPClassifier #從sklearn的神經(jīng)網(wǎng)絡(luò)中引入多層感知器

#自定義函數(shù)，將圖片轉(zhuǎn)換成向量
def img2vector(fileName):
    retMat = np.zeros([1024], int)  # 定義返回的矩陣，大小為1*1024
    fr = open(fileName)  # 打開包含32*32大小的數(shù)字文件
    lines = fr.readlines()  # 讀取文件的所有行
    for i in range(32):  # 遍歷文件所有行
        for j in range(32):  # 并將01數(shù)字存放在retMat中
            retMat[i * 32 + j] = lines[i][j]
    return retMat

#自定義函數(shù)，獲取數(shù)據(jù)集
def readDataSet(path):
    fileList = listdir(path)  # 獲取文件夾下的所有文件
    numFiles = len(fileList)  # 統(tǒng)計需要讀取的文件的數(shù)目
    dataSet = np.zeros([numFiles, 1024], int)  # 用于存放所有的數(shù)字文件juzheng
    hwLabels = np.zeros([numFiles, 10])  # 用于存放對應(yīng)的one-hot標簽(每個文件都對應(yīng)一個10列的矩陣)
    for i in range(numFiles):  # 遍歷所有的文件
        filePath = fileList[i]  # 獲取文件名稱/路徑
        digit = int(filePath.split('_')[0])  # 通過文件名獲取標簽，split返回分割后的字符串列表
        hwLabels[i][digit] = 1.0  # 將對應(yīng)的one-hot標簽置1 .one-hot編碼，又稱獨熱編碼、一位有效編碼.one-hot向量將類別變量轉(zhuǎn)換為機器學習算法易于利用的一種形式的過程，這個向量的表示為一項屬性的特征向量，也就是同一時間只有一個激活點（不為0），這個向量只有一個特征是不為0的，其他都是0，特別稀疏。
        dataSet[i] = img2vector(path + '/' + filePath)  # 讀取文件內(nèi)容
    return dataSet, hwLabels


#讀取訓練數(shù)據(jù)，并訓練模型
train_dataSet, train_hwLabels = readDataSet('trainingDigits')

#參數(shù)：hidden_layer_sizes中間層的個數(shù)，activation激活函數(shù) logistic:f(x)=1/(1+exp(-x))將值映射在一個0~1的范圍內(nèi)。
#solver權(quán)重優(yōu)化的求解器adam默認，用于較大的數(shù)據(jù)集，lbfgs用于小型的數(shù)據(jù)集收斂的更快效果更好。max_iter迭代次數(shù)越多越準確
clf = MLPClassifier(hidden_layer_sizes=(50,),activation='logistic', solver='adam',learning_rate_init=0.001, max_iter=700)
clf.fit(train_dataSet, train_hwLabels)#數(shù)據(jù)集，標簽，擬合

# 讀取測試數(shù)據(jù)對測試集進行預測
dataSet, hwLabels = readDataSet('testDigits')
res = clf.predict(dataSet) #預測結(jié)果是標簽（[numFiles, 10]的矩陣） 
print("測試數(shù)據(jù)",dataSet,'\n___________________________________\n')
print("測試標簽",hwLabels,'\n++++++++++++++++++++++++++++++++++++++++\n')
print("測試結(jié)果",res)


error_num = 0  # 統(tǒng)計預測錯誤的數(shù)目
num = len(dataSet)  # 測試集的數(shù)目
for i in range(num):  # 遍歷預測結(jié)果
    # 比較長度為10的數(shù)組，返回包含01的數(shù)組，0為不同，1為相同
    # 若預測結(jié)果與真實結(jié)果相同，則10個數(shù)字全為1，否則不全為1
    if np.sum(res[i] == hwLabels[i])  10:
        error_num += 1
print("Total num:", num, " Wrong num:",error_num, "  WrongRate:", error_num / float(num))

from keras.datasets import mnist#導入數(shù)字手寫識別系統(tǒng)的數(shù)據(jù)集
import matplotlib.pyplot as plt

(X_train, y_train), (X_test, y_test) = mnist.load_data()
#以2*2(2行2列)圖的方式展現(xiàn)
plt.subplot(221)
plt.imshow(X_train[1], cmap=plt.get_cmap('gray_r'))#白底黑字
plt.subplot(222)
plt.imshow(X_train[2], cmap=plt.get_cmap('gray'))#黑底白字
plt.subplot(223)
plt.imshow(X_train[3], cmap=plt.get_cmap('gray'))
plt.subplot(224)
plt.imshow(X_train[4], cmap=plt.get_cmap('gray'))
# show the plot
plt.show()