在实现对手写数字图像的分类，可以先假设学习已经全部结束，我们使用学习到的参数，先实现神经网络的“推理处理”。该处理也称为神经网络的前向传播。
和求解机器学习问题的步骤(分成学习和推理两个阶段进行)一样
使用神经网络解决问题时，也需要首先使用训练数据(学习数据)进行权重参数的学习;进行推理时，使用刚才学习到的参数，对输入数据进行分类。
MNIST数据集
MNIST是机器学习最有名的数据集之一，被应用于从简单的实验到发表的论文研究等各种场合，在阅读图像识别或机器学习的论文时，MNIST数据集经常作为实验用的数据出现。
MINIST数据集是由0到9的数字图像构成的，MNIST数据集的使用方法是，先用训练图像进行学习，再用学习到的模型度量能在多大程度上对测试图像进行正确的分类。
MNIST的图像数据是28像素 x 28像素的灰度图像(1通道)，各个像素的取值在0到255之间。每个图像数据都相应地标有“7”“2”“1”等标签
这里通过Python的脚本mnist.py，从下载MNIST数集到将这些数据转换成NumPy数组等处理，使用mnistpy中的load_mnist()函数，就可以按下述方式轻松读入MNIST数据。
注意这里的mnist.py不具备通用性，只能用在学习项目中，做学习了解（具体可以参考网上知识，在此不详述）
Python有pickle这个功能，可以将程序运行中的对象保存为文件，如果加裁保存过的pickle文件，可以立刻复原之前程序运行中的对象。利用pickle功能，可以高效地完成MINIST数据的准备工作。pickle.load(f)
手写数字识别的例子
# 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
from dataset.mnist import load_mnist
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
# 输出各个数据的形状
print(x_train.shape) # (60000，784)
print(t_train.shape) # (60000,)
print(x test.shape) #(10000，784)
print(t_test.shape) # (10000,)
上面的代码中，先导人dataset/mnist.py中的load_mnist函数。load mnist函数以“(训练图像,训练标签)，(测试图像，测试标签)”的形式返回读人的MNIST数据。
然后想 load_mnist(normalize=True,flatten=True，one_hot_label=False)这样，设置3个参数。
normalize设置是否将输人图像正规化为0.0~1.0的值。
flatten设置是否展开输人图像(变成一维数组)。若设置为True，则输人图像会保存为由784个元素构成的一维数组。
one_hot_label设置是否将标签保存为one-hot表示。one-hot表示是仅正确解标签为1，其余皆为0的数组,就像[0,0,1,0,0,0,0,0,0,0]这样。当one_hot_label为True时，标签则保存为one-hot表示。
后面显示MINIST图像，同时也确认一下数据。图像的是使用PIL(Python Image Library)模块。执行下述代码后，训练图像的第一张就会显示出来
# 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
from dataset.mnist import load_mnist
from PIL import Image
def img_show(img):
pil_img = Image.fromarray(np.uint8(img))
pil_img.show()
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
img = x_train[0]
label = t_train[0]
print(label) # 5
print(img.shape) # (784,)
img = img.reshape(28, 28) # 把图像的形状变为原来的尺寸
print(img.shape) # (28, 28)
img_show(img)
要注意的是，flatten=True时读人的图像是以一列(一维)NumPy数组的形式保存的。因此，显示图像时，需要把它变为原来的28像素 x 28像素的形状。可以通过reshape()方法的参数指定期望的形状。。此外，还需要把保存为NumPy数组的图像数据转换为PIL用的数据对象，这个转换处理由Image.fromarray()来完成。
神经网络的推理处理
对这个MNIST数据集实现神经网络的推理处理。
神经网络的输人层有784个神经元，输出层有10个神经元。
输人层的784这个数字来源于图像大小的28x28=784，
输出层的10这个数字来源于10类别分类(数字0到9，共10类别)。
此外，这个神经网络有2个隐藏层，第1个隐藏层有50个神经元，第2个隐藏层有100个神经元。
先定义get_data()、init_network()、predict() 这3个函数
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 netwrok
def predict(network, x):
W1，W2，w3 = network['W1'], network['W2'], network['w3']
bl，b2, b3 = network['b1']，network['b2']， network['b3']
a1 = np.dot(x,W1)+b1
z1 = sigmoid(a1)
a2 = np.dot(a1,W2) +b2
z2 = sigmoid(a2)
a3=np.dot(a2,W3)+b3
y = sigmoid(a3)
reutrn y
init_network()会读入保存在pickle文件 sample_weight.pkl 中的学习到的权重参数
现在，用这3个函数来实现神经网络的推理处理。然后，评价它的识别精度即能在多大程度上正确分类。
# 获取数据
x, t = get_data()
# 初始化network
network =init_network()
accuracy_cnt =0
for i in range(len(x)):
y = predict(network，x[i]) # predict()函数以NumPy数组的形式输出各个标签对应的概率
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))) # 比较神经网络所测的答案和正确解标签，将回答正确的概率作为识别精度。
目前这个代码的精度还不是很高，后续会在神经网络的结构和学习方法上优化来提高这个精度
把load_mnist函数的参数normalize设置成了True。将normalize设置成True后，函数内部会进行转换，将图像的各个像素值除以255，使得数据的值在0.0~1.0的范围内。像这样把数据限定到某个范围内的处理称为正规化。这种对神经网络的输人数据进行某种既定的转换称为预处理。
预处理在神经网络(深度学习)中非常实用，实际上，很多预处理都会考虑到数据的整体分布，比如，利用数据整体的均值或标准差，移动数据，使数据整体以0为中心分布。