直接先用前面设定的网络进行识别，即进行推理的过程，而先忽视学习的过程。
推理的过程其实就是前向传播的过程。
深度学习也是分成两步：学习 + 推理。学习就是训练模型，更新参数；推理就是用学习到的参数来处理新的数据。
from keras.datasets.mnist import load_dataimport pickledef sigmoid(x):return 1 / (1 + np.exp(-x))# 防止溢出型def softmax(x):c = np.max(x)exp_x = np.exp(x - c)sum_exp_x = np.sum(exp_x)return exp_x / sum_exp_xdef get_data():(X_train, y_train), (X_test, y_test) = load_data()return X_test.reshape(10000, 784), y_testdef init_network():# /Bingyy/deep-learning-from-scratch/blob/master/ch03/sample_weight.pklwith open('sample_weight.pkl', 'rb') as f:network = pickle.load(f)return network# 存储的是网络参数字典network = init_network()# 组合网络流程，用于预测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) + b1z1 = sigmoid(a1)a2 = np.dot(z1, W2) + b2z2 = sigmoid(a2)a3 = np.dot(z2, W3) + b3y = softmax(a3) # 分类用的最后输出层的激活函数return y# 使用网络预测X_test, y_test = get_data() # 得到测试数据network = init_network()accuracy_cnt = 0for i in range(len(X_test)):y = predict(network, X_test[i])p = np.argmax(y)if p == y_test[i]:accuracy_cnt += 1print('准确率：', str(float(accuracy_cnt) / len(X_test)))# 准确率： 0.9207
这里用到的网络还是三层网络，只是第一个隐藏层有50个神经元，第二个隐藏层有100个神经元，参数是作者提供的已经训练好的网络权重。本篇的目的是为了熟练使用已经训练好的模型。
网络对应的数组结构
要点总结：
使用keras提供的load_data加载mnist数据使用pickle加载保存的网络权重基于权重组建全连接网络使用网络进行数据预测，并统计正确率
上面是一次读取一张图片，如果批量处理是如何进行的呢？
X_test, y_test = get_data() # 得到测试数据network = init_network()batch_size = 100accuracy_cnt = 0for i in range(0, len(X_test), batch_size):x_batch = X_test[i:i+batch_size]y_batch = predict(network, x_batch)p = np.argmax(y_batch, axis=1)accuracy_cnt += np.sum(p == y_test[i:i+batch_size])print('准确率：', str(float(accuracy_cnt) / len(X_test)))
这里只是如何取数据有变化，然后预测时还是用原来的predict函数。
另外，这里再讲一下轴的问题:
x = np.array([[0.1, 0.8, 0.1], [0.3, 0.1, 0.6], [0.2, 0.5, 0.3], [0.8, 0.1, 0.1]])y = np.argmax(x, axis=1) # array([1, 2, 1, 0])
取出的是每一行的最大值下标。
END.
参考：
《深度学习入门：基于Python的理论与实现》
