会报恩的代码（三）
引言
在 Python 编程中，有一些常用技巧和最佳实践可以帮助你编写更优雅、更高效的代码。本文将介绍的是 Python 中使用 Scikit-Learn 下载 MNIST 数据，并训练模型，序列化模型、MLPClassifier 模型的参数查看、MLPClassifier 的激 活函数及其实现、从 pandas.core.frame.DataFrame 中获取数据等。
Scikit-Learn 下载 MNIST 数据、训练模型、序列化模型
下面是使用 Scikit-Learn 下载 MNIST 数据集并训练一个具有 3 层（2 个隐层，其中第 1 层有 50 个神经元，第 2 层有 100 个神经元）的神经网络模型的示例。
安装依赖库
确保已经安装 scikit-learn 和 numpy。可以使用以下命令安装：
pip install scikit-learn numpy
训练模型
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import classification_report, accuracy_score
# 下载 MNIST 数据集
mnist = fetch_openml('mnist_784', version=1)
X, y = mnist.data, mnist.target
# 将目标标签转换为整数
y = y.astype(int)
# 拆分数据集为训练和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 初始化并训练神经网络模型
model = MLPClassifier(hidden_layer_sizes=(50, 100), max_iter=20, random_state=42)
model.fit(X_train, y_train)
# 进行预测
y_pred = model.predict(X_test)
# 输出结果
print(f"准确率: {accuracy_score(y_test, y_pred)}")
print(classification_report(y_test, y_pred))
运行上述代码后，程序将训练一个 3 层的神经网络模型，并输出测试集的准确率和分类报告，从而给出模型的性能评估。
准确率: 0.9499
precision recall f1-score support
0 0.97 0.99 0.98 980
1 0.98 0.98 0.98 1135
2 0.95 0.95 0.95 1032
3 0.93 0.93 0.93 1010
4 0.97 0.92 0.94 982
5 0.95 0.93 0.94 892
6 0.97 0.96 0.96 958
7 0.97 0.94 0.96 1028
8 0.91 0.95 0.93 974
9 0.91 0.95 0.93 1009
accuracy 0.95 10000
macro avg 0.95 0.95 0.95 10000
weighted avg 0.95 0.95 0.95 10000
可以根据需要调整超参数（例如 max_iter）以优化模型的性能。
依赖库与模块
numpy用于处理数组。fetch_openml用于加载 MNIST 数据集。train_test_split用于将数据集拆分为训练集和测试集。MLPClassifier用于构建和训练多层感知机（MLP）。classification_report和accuracy_score用于评估模型的表现。
MNIST 数据集
- 使用
fetch_openml函数从 OpenML 下载 MNIST 数据集。 - 数据集包含 784 个特征（28x28 像素图像展平），目标标签为手写数字（0-9）。
- 使用
train_test_split将数据集拆分为 80% 的训练集和 20% 的测试集。
构建和训练模型
- 创建一个
MLPClassifier实例，其中hidden_layer_sizes=(50, 100)表示第 1 层有 50 个神经元，第 2 层有 100 个神经元。 - 使用
max_iter=20指定最大迭代次数（你可以按需调整此参数）。
评估模型
- 使用训练好的模型对测试集进行预测。
- 输出准确率和分类报告，详细展示每个类别的精确度、召回率等性能指标。
MLPClassifier 模型的参数查看
在使用 Scikit-Learn 训练模型后，可以直接获取和查看模型的权重参数。对于不同类型的模型，权重的属性和结构有所不同。以下是如何查看 MLPClassifier（多层感知机）的权重参数的示例步骤。
使用 MLPClassifier 训练模型
MLPClassifier 是一种常用的神经网络模型。以下是一个简单的例子，展示如何获取模型的权重参数。
import numpy as np
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
# 下载 MNIST 数据集
mnist = fetch_openml('mnist_784', version=1)
X, y = mnist.data, mnist.target
y = y.astype(int)
# 拆分数据集为训练和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 初始化并训练神经网络模型
model = MLPClassifier(hidden_layer_sizes=(50, 100), max_iter=20, random_state=42)
model.fit(X_train, y_train)
# 查看模型的权重参数
weight_params = model.coefs_
bias_params = model.intercepts_
# 打印权重和偏置
for layer in range(len(weight_params)):
print(f"Layer {layer + 1} weights:\n{weight_params[layer]}\n")
print(f"Layer {layer + 1} biases:\n{bias_params[layer]}\n")
运行上述代码后，将查看到下图所示每一层的权重和偏置参数。这些参数是神经网络学习到的内容，并可以用于分析或后续应用。
上述代码下载了 MNIST 数据集，并将其拆分为训练集和测试集。然后使用 MLPClassifier 训练模型，指定两个隐层的神经元数量（50 个和 100 个）。
模型参数
model.coefs_：这是一个列表，包含每层神经网络的权重矩阵。每个矩阵表示连接到下一个层的权重。model.intercepts_：这是一个列表，包含每层的偏置参数。
使用循环迭代每层的权重与偏置信息，打印出每一层的权重参数（weights）和偏置（biases）。
权重和偏置参数的形状取决于网络架构。例如，在上述示例中，第 1 层有 50 个神经元，第 2 层有 100 个神经元，因此第 1 层的权重矩阵将具有形状 (784, 50)，而第 2 层的权重矩阵将具有形状 (50, 100)。
可以根据需要进一步分析和可视化这些权重参数，以深入理解模型行为。
MLPClassifier 的激活函数，分别如何实现？
在 Scikit-Learn 的 MLPClassifier 模块中，各层的激活函数是可以被配置的，但其默认的激活函数是 relu（修正线性单元）用于隐含层，而输出层使用的是 softmax 函数，具体依赖于任务类型（如多分类）。
ReLU (修正线性单元)
ReLU 函数的公式为：
在 Python 中可以用以下方式实现：
def relu(x):
return np.maximum(0, x)
# 示例使用
import numpy as np
input_data = np.array([-1, 0, 1, 2])
output = relu(input_data)
print(output)
# 输出: [0 0 1 2]
Softmax
Softmax 函数的公式为：
Softmax 函数将输入转换为概率分布，适用于多分类问题。实现如下：
def softmax(x):
e_x = np.exp(x - np.max(x)) # 减去最大值是为了数值稳定
return e_x / e_x.sum(axis=0)
# 示例使用
input_data = np.array([1.0, 2.0, 3.0])
output = softmax(input_data)
print(output)
# 输出: 概率分布
MLPClassifier 的激活函数
以下代码示例展示了如何使用 MLPClassifier 并指定激活函数：
from sklearn.neural_network import MLPClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
# 创建示例数据
X, y = make_classification(n_samples=100, n_features=20, n_classes=3, n_informative=3, random_state=42)
# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 初始化 MLPClassifier，默认为 'relu' 激活函数
model = MLPClassifier(hidden_layer_sizes=(50,), activation='relu', max_iter=1000, random_state=42)
model.fit(X_train, y_train)
# 进行预测
predictions = model.predict(X_test)
print(predictions)
# 输出: [2 2 0 0 1 1 2 2 2 2 0 0 0 1 0 2 0 0 1 2]
MLPClassifier 默认在隐含层使用 relu 激活函数，而输出层使用 softmax 函数。可以通过参数配置来使用其他激活函数（如 logistic, tanh 等）。自定义激活函数可以通过实现相应的数学公式来完成。
从 pandas.core.frame.DataFrame 中获取指定行数据
在 pandas 中，可 以通过多种方式从 DataFrame 获取指定行数据，下面是一些常见的方法。
示例数据
首先，创建一个简单的 DataFrame：
import pandas as pd
# 创建示例 DataFrame
data = {
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'City': ['New York', 'Los Angeles', 'Chicago']
}
df = pd.DataFrame(data)
print(df)
输出：
Name Age City
0 Alice 25 New York
1 Bob 30 Los Angeles
2 Charlie 35 Chicago
使用 .iloc 按位置获取
iloc 是一个用于按整数位置（索引）获取行的选择器。
# 获取第一行（索引为0）
first_row = df.iloc[0]
print(first_row)
输出：
Name Alice
Age 25
City New York
Name: 0, dtype: object
使用 .loc 按标签获取
使用 .loc 可以根据行标签（索引）获取特定行。
# 假设设置了行标签
df.index = ['a', 'b', 'c'] # 设置自定义索引
# 获取行标签为 'a' 的行
row_a = df.loc['a']
print(row_a)
输出：
Name Alice
Age 25
City New York
Name: a, dtype: object
使用条件筛选
如果想根据某一列的条件来获取行，比如选择年龄大于 28 的行，可以这样做：
# 获取年龄大于28的行
age_above_28 = df[df['Age'] > 28]
print(age_above_28)
输出：
Name Age City
1 Bob 30 Los Angeles
2 Charlie 35 Chicago
根据实际需求，可以选择合适的方法来获取 DataFrame 中的一行数据：
- 使用
.iloc根据行的整数位置获取特定行数据。 - 使用
.loc根据行标签获取特定行数据。 - 使用条件筛选获得满足特定条件的行。
结语
本文介绍了 Python 中的 Scikit-Learn 及其 MLPClassifier 模块、pandas 的 DataFrame 等的一些特定用法，希望这些小技巧能在某个特定的时间正好帮到你。
PS：感谢每一位志同道合者的阅读，欢迎关注、点赞、评论！