fetch_mldata加载mnist-originals数据集踩坑

踩坑1：sklearn导包一直无法成功

原因1：sklearn,scikit-learn,numpy,scipy这几个包以及对应版本都要下载好，用pip insatll 下载包名，即可自动下载当前最高匹配版本。
原因2：pycharm中建立项目有问题，可能项目用的是Pycharm虚拟机针对本项目而配置的包，故可被引用的包范围不是本机安装包的范围。

在此处选择本机本地安装的Python解释器即可。

踩坑2：
没有fetch_mldata这个方法，那是因为当前sklearn版本过高
把sklearn以及相关模块进行降低版本即可，降低一个版本，其他包pip时会自动下载相对应匹配的版本。

踩坑3：
加载不到本地数据集，报错socket相关错误。
经过查看报错信息可以知道，当传入的文件路径不存在时，mldata会访问mldata.org网站自行下载相应数据集，所以是在链接网络时出现问题，查看源码如下图。

所以查找文件路径的错误，继续查看源码

可以知道，此程序在data_home下会自动产生一个叫做mldata的文件夹，其filename是data_home+mldata+dataname
故，我们应当把数据集放在本地文件夹data_home下的mldata中，即可加载到对应文件。

再遇到坑再进行补充。

神经网络实现手写识别，用到sklearn的MLPClassifier分类器

clf=MLPClassifier(hidden_layer_sizes=(100),activation='logistic',solver='adam',learning_rate_init=0.0001,max_iter=2000)

参数说明:

1. hidden_layer_sizes :例如hidden_layer_sizes=(50, 50)，表示有两层隐藏层，第一层隐藏层有50个神经元，第二层也有50个神经元。
2. activation :激活函数,{‘identity’, ‘logistic’, ‘tanh’, ‘relu’}, 默认relu

• identity：f(x) = x
• logistic：其实就是sigmod,f(x) = 1 / (1 + exp(-x)).
• tanh：f(x) = tanh(x).
• relu：f(x) = max(0, x)

3. solver： {‘lbfgs’, ‘sgd’, ‘adam’}, 默认adam，用来优化权重

• lbfgs：quasi-Newton方法的优化器
• sgd：随机梯度下降
• adam： Kingma, Diederik, and Jimmy Ba提出的机遇随机梯度的优化器
  注意：默认solver ‘adam’在相对较大的数据集上效果比较好（几千个样本或者更多），对小数据集来说，lbfgs收敛更快效果也更好。

4. alpha :float,可选的，默认0.0001,正则化项参数
5. batch_size : int , 可选的，默认’auto’,随机优化的minibatches的大小batch_size=min(200,n_samples)，如果solver是’lbfgs’，分类器将不使用minibatch
6. learning_rate :学习率,用于权重更新,只有当solver为’sgd’时使用，{‘constant’，’invscaling’, ‘adaptive’},默认constant

• ‘constant’: 有’learning_rate_init’给定的恒定学习率
• ‘incscaling’：随着时间t使用’power_t’的逆标度指数不断降低学习率learning_rate_ ，effective_learning_rate = learning_rate_init / pow(t, power_t)
• ‘adaptive’：只要训练损耗在下降，就保持学习率为’learning_rate_init’不变，当连续两次不能降低训练损耗或验证分数停止升高至少tol时，将当前学习率除以5.

7. power_t: double, 可选, default 0.5，只有solver=’sgd’时使用，是逆扩展学习率的指数.当learning_rate=’invscaling’，用来更新有效学习率。
8. max_iter: int，可选，默认200，最大迭代次数。
9. random_state:int 或RandomState，可选，默认None，随机数生成器的状态或种子。
10. shuffle: bool，可选，默认True,只有当solver=’sgd’或者‘adam’时使用，判断是否在每次迭代时对样本进行清洗。
11. tol：float, 可选，默认1e-4，优化的容忍度
12. learning_rate_int:double,可选，默认0.001，初始学习率，控制更新权重的补偿，只有当solver=’sgd’ 或’adam’时使用。
13. verbose : bool, 可选, 默认False,是否将过程打印到stdout
14. warm_start : bool, 可选, 默认False,当设置成True，使用之前的解决方法作为初始拟合，否则释放之前的解决方法。
15. momentum : float, 默认 0.9,动量梯度下降更新，设置的范围应该0.0-1.0. 只有solver=’sgd’时使用.
16. nesterovs_momentum : boolean, 默认True, Whether to use Nesterov’s momentum. 只有solver=’sgd’并且momentum > 0使用.
17. early_stopping : bool, 默认False,只有solver=’sgd’或者’adam’时有效,判断当验证效果不再改善的时候是否终止训练，当为True时，自动选出10%的训练数据用于验证并在两步连续迭代改善，低于tol时终止训练。
18. validation_fraction : float, 可选, 默认 0.1,用作早期停止验证的预留训练数据集的比例，早0-1之间，只当early_stopping=True有用
19. beta_1 : float, 可选, 默认0.9，只有solver=’adam’时使用，估计一阶矩向量的指数衰减速率，[0,1)之间
20. beta_2 : float, 可选, 默认0.999,只有solver=’adam’时使用估计二阶矩向量的指数衰减速率[0,1)之间
21. epsilon : float, 可选, 默认1e-8,只有solver=’adam’时使用数值稳定值。
    属性说明：

• classes_:每个输出的类标签
• loss_:损失函数计算出来的当前损失值
• coefs_:列表中的第i个元素表示i层的权重矩阵
• intercepts_:列表中第i个元素代表i+1层的偏差向量
• n_iter_ ：迭代次数
• n_layers_:层数
• n_outputs_:输出的个数
• out_activation_:输出激活函数的名称。