手写体数字识别（理解起来更简单一点）

1.测试集数据：
链接：https://pan.baidu.com/s/1YDzwrWvd6dsYaKK7cyvdBQ
提取码：e0j5
第一部分：训练
2.导入相应的库

import os
import keras
import numpy as np
import cv2
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import tensorflow as tf
import skimage.io as io
from keras.callbacks import ModelCheckpoint

2.加载MNIST数据集：

(x_train,y_train),(x_test,y_test)=tf.keras.datasets.mnist.load_data()


print(tf.shape(x_train))
print(tf.shape(y_train))
print(tf.shape(x_test))
print(tf.shape(y_test))

3.增加一个维度：

x_train=tf.reshape(x_train,[-1,28,28,1])
x_test=tf.reshape(x_test,[-1,28,28,1])

print(tf.shape(x_train))
print(tf.shape(x_test))

4.归一化处理：

x_train=x_train/255
x_test=x_test/255

5.进行类别标签：

y_train=tf.keras.utils.to_categorical(y_train,num_classes=10)
y_test=tf.keras.utils.to_categorical(y_test,num_classes=10)

6.定义日志文件：

model_checkpoint=ModelCheckpoint('Lenet5_memBrane.hdf5',monitor='loss',verbose=1,save_best_only=True)

7.定义Lenet5模型：

model=tf.keras.Sequential([tf.keras.layers.InputLayer(input_shape=(28,28,1)),tf.keras.layers.Conv2D(20,kernel_size=[5,5],strides=[1,1]),tf.keras.layers.Activation('relu'),tf.keras.layers.MaxPooling2D(pool_size=[2,2],strides=2,padding='same'),tf.keras.layers.Conv2D(50,kernel_size=[5,5],strides=[1,1],padding='same'),tf.keras.layers.Activation('relu'),tf.keras.layers.MaxPooling2D(pool_size=[2,2],strides=2,padding='same'),tf.keras.layers.Flatten(),tf.keras.layers.Dense(500),tf.keras.layers.Activation('relu'),tf.keras.layers.Dense(10),tf.keras.layers.Activation('softmax')
])

model.summary()

8.模型编译：

model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])

9.模型训练：

model.fit(x_train,y_train,epochs=50,batch_size=32,callbacks=[model_checkpoint])
model.save('Lenet5_100.h5')

第二部分：测试
1.加载模型：

model=tf.keras.models.load_model('Lenet5_100.h5')

2.评估：

print(np.shape(x_test))
print(np.shape(y_test))
loss,accuracy=model.evaluate(x_test,y_test)

3.导入测试集数据文件中前十张图片进行预测：

Image_List = []
image_path='Test_Images_Number/'
for i in range(10):path=image_path+str(i)+'.jpg'Image_List.append(path)
print(Image_List)

注意：我这里是将测试集数据文件放在了当前的目录，注意一下这个文件路径就可以了，路径中最好不要有中文名。

import cv2

def load_Image(Image):img=cv2.imread(Image)img=cv2.resize(img,(28,28))print(np.shape(img))image_list=[]for item in img:row=[]
#         print('item: ',np.shape(item)) [28,3]for i in item:#这里的i[0]表示取第一层通道 ，因为我们训练的模型是基于灰度图来的row.append([i[0]])
#             print('i[0]: ',np.shape(i[0])) ()image_list.append(row)array=np.array(image_list)array=array/255image=np.expand_dims(array,axis=0)return image

class_Numbers={0:'0',1:'1',2:'2',3:'3',4:'4',5:'5',6:'6',7:'7',8:'8',9:'9'
}
for Image in Image_List:image=load_Image(Image)print(np.shape(image))predictions=model.predict(image)index_Number=np.argmax(predictions)print('图像预测结果: ',class_Numbers[index_Number])

实验效果：

从实验的效果中可以看出，不是很准确，但是还有很多的改进空间，可以尝试其他的模型，比如VGG13,VGG16等模型.

手写体数字识别（理解起来更简单一点）相关推荐

keras框架下的深度学习（一）手写体数字识别
文章目录前言一.keras的介绍及其操作使用二.手写题数字识别 1.介绍 2.对数据的预处理 3.搭建网络框架 4.编译 5.循环训练 6.测试训练的网络模 7.总代码三.附:梯度下降算法 1 ...
Tensorflow 改进的MNIST手写体数字识别
上篇简单的Tensorflow解决MNIST手写体数字识别可扩展性并不好.例如计算前向传播的函数需要将所有的变量都传入,当神经网络的结构变得复杂.参数更多时,程序的可读性变得非常差.而且这种方式会导致 ...
Tensorflow解决MNIST手写体数字识别
这里给出的代码是来自<Tensorflow实战Google深度学习框架>,以供参考和学习. 首先这个示例应用了几个基本的方法: 使用随机梯度下降(batch) 使用Relu激活函数去线性化 ...
基于matlab的手写体数字识别系统
摘要:随着科学技术的发展,机器学习成为一大学科热门领域,是一门专门研究计算机怎样模拟或实现人类的学习行为的交叉学科.文章在matlab软件的基础上,利用BP神经网络算法完成手写体数字的识别. 机器学习 ...
基于MATLAB的手写体数字识别算法的实现
基于MATLAB的手写体数字识别一.课题介绍手写数字识别是模式识别领域的一个重要分支,它研究的核心问题是:如何利用计算机自动识别人手写在纸张上的阿拉伯数字.手写体数字识别问题,简而言之就是识别出1 ...
基于TensorFlow的手写体数字识别
目录一.MNIST数据集介绍二.原理 2.1.卷积神经网络简介( convolutional neural network 简称CNN) 2.1.1卷积运算过程 2.1.2滑动的步长 2.1.3卷 ...
分类手写体数字识别
分类手写体数字识别 1.数据集分离训练集和测试集 2.训练一个二分类器 3.评价分类器的性能使用交叉验证分类准确率精准率和召回率混淆矩阵精准率和召回率的折衷 ROC 曲线 4.多分类器 5 ...
基于AlexNet卷积神经网络的手写体数字识别系统研究-附Matlab代码
⭕⭕ 目录 ⭕⭕ ✳️ 一.引言 ✳️ 二.手写体数字识别系统 ✳️ 2.1 MNIST 数据集 ✳️ 2.2 CNN ✳️ 2.3 网络训练 ✳️ 三.手写体数字识别结果 ✳️ 四.参考文献 ✳️ ...
Matlab深度学习-手写体数字识别
Matlab深度学习文章目录 Matlab深度学习前言一.MNIST手写体数字数据二.用到的深度学习框架-LeNet5 2-0 LeNet5的网络架构 2-1 框架实现-通过Matlab GU ...

手写体数字识别（理解起来更简单一点）

手写体数字识别（理解起来更简单一点）相关推荐

最新文章

热门文章