基于Nielsen教材实现MNIST神经网络时遇元组解包值错误

1. 核心触发原因：数据加载接口调用错误 #

你的神经网络代码要求传入的训练/测试数据，是单个样本为二元组(x, y)的可遍历集合，其中x是单个样本的输入向量，y是对应的标签值。
但你训练启动时调用的是mnist_loader.load_data()，这个接口返回的原始数据结构完全不符合要求：

• 整体返回是三元组(训练集, 验证集, 测试集)
• 每个子数据集本身又是两个独立的大数组：第一个元素是包含全部5万/1万张图像的高维数组，第二个元素是包含全部对应标签的一维数组，根本不是逐样本配对的二元组列表
  当你把这个大数组转成列表传给SGD方法后，代码走到for x, y in mini_batch逐样本解包时，会拿到包含数千个元素的大数组试图拆成2个值，直接触发ValueError: too many values to unpack (expected 2)。

2. 附带的逻辑bug，就算修正数据源也会导致训练失效 #

你写的SGD方法存在缩进错误：

• 遍历mini batch更新参数的循环、以及epoch结束后的评估打印代码，全部没有缩进在for j in range(epochs):的循环内部
• 现在的代码执行逻辑是：先循环30次打乱数据、切分batch，等循环完全结束后，才只跑1次batch更新、只打印1次结果，完全不符合逐epoch训练的设计逻辑

3. 代码书写错误，会触发后续连锁报错 #

• sigmoid函数存在两处书写错误：一是多写了一层np（写成了np.np.exp(-z)，会触发属性不存在的报错）；二是公式符号写错（分母写成1 - np.exp(-z)，正确应为1 + np.exp(-z)，符号反了会导致激活值完全不符合设计，模型无法收敛）
• Python 3环境下，load_data_wrapper()里用zip()生成的是一次性迭代器，如果不转成列表，第一次epoch遍历完迭代器就会耗尽，后续循环拿不到任何数据

• 修正训练启动代码，替换成正确的加载接口，同时适配Python3的迭代器特性：

import network
import mnist_loader

# 必须调用load_data_wrapper，该接口会把原始数据转成要求的逐样本二元组格式
training_data, validation_data, test_data = mnist_loader.load_data_wrapper()
# 将zip生成的一次性迭代器转成列表，避免遍历一次就耗尽
training_data = list(training_data)
test_data = list(test_data)

net = network.Network([784, 30, 10])
# 原书推荐的初始学习率为3.0，你之前用的0.001过低会导致模型完全不收敛
net.SGD(training_data, 30, 10, 3.0, test_data=test_data)

• 修正SGD方法的缩进，把batch更新、评估打印的代码挪到epoch循环内部：

def SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None):
    if test_data: n_test = len(test_data)
    n = len(training_data)
    for j in range(epochs):
        random.shuffle(training_data)
        mini_batches = [training_data[k:k+mini_batch_size]
                        for k in range(0, n, mini_batch_size)]
        # 以下代码缩进进epoch循环内部
        for mini_batch in mini_batches:
            self.update_mini_batch(mini_batch, eta)
        if test_data:
            print("Epoch {0}: {1} /{2}".format(
                j, self.evaluate(test_data), n_test))
        else:
            print("Epoch {0} complete".format(j))

• 修正sigmoid函数的书写错误：

def sigmoid(z):
    """The sigmoid function."""
    return 1.0/(1 + np.exp(-z))

内容的提问来源于stack exchange，提问作者Eyal Werber