实验一：手写数字识别

一、实验目的

利用深度学习实现手写数字识别，当输入一张手写图片后，能够准确的识别出该图片中数字是几。输出内容是0、1、2、3、4、5、6、7、8、9的其中一个。

二、实验原理

（1）采用用全连接神经网络训练
全连接神经网络模型是一种多层感知机(MLP)，感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面，感知机最具代表的是SVM支持向量机算法。神经网络同时借鉴了感知机和仿生学，通常来说，动物神经接受一个信号后会发送各个神经元，各个神经元接受输入后根据自身判断，激活产生输出信号后汇总从而实现对信息源实现识别、分类，一个典型的神经网络如下图所示：

上图是典型的全连接神经网络模型(DNN),有的场合也称作深度神经网络，与传统的感知机不同，每个结点和下一层所有结点都有运算关系，这就是名称中‘全连接’的含义，在实践中全连接神经网络通常有多个隐藏层，增加隐藏层可以更好分离数据的特征，但过多的隐藏层也会增加训练时间以及产生过拟合。
在训练全连接神经网络时，先是通过前向传播，得到预测结果，再反向传播去调整模型权重。
（2）反向传播
反向传播根据前向传播产生的损失函数值，沿输出端向至输入端优化每层之间参数，在此过程中运算利用梯度下降法优化参数，神经网络求解参数本质上仍然是规划中求最优解问题，现代机器学习框架如Tensorflow、pytorch、keras将梯度下降法、Booting、Bagging这些优化中常用技巧封装起来，开发者只要专注于数据建模即可。
（3）训练mnist手写数字识别
利用交叉熵作为损失函数实现对minist数据集的识别，minist数据集是手写数字的图像样本，DNN识别图像的过程就是把图像正确的归为0-9这10个数字，所以这是一个分类算法的实现。

三、实验内容

【代码下载-实现不易，顺便star一下啦】https://github.com/823316627bandeng/TensorFlow2_keras_Demo-
（1）训练模型
数据集：采用TensorFlow2.3的TensorFlow-datasets内置的mnist数据集
神经网络：全连接
损失函数：分类交叉熵
优化器：Adam
评价准则：准确率
Epochs：100
（2）测试模型
测试集：采用TensorFlow2.3的TensorFlow-datasets内置的mnist数据集，形状改为28*28
（3）环境

Python 3.8
TensorFlow 2,3
Tensorflow_datasets 2.1
scipy
numpy
PIL
matplotlib
scipy

四、实验过程

源码下载
（1）导入包

import osimport scipy
import tensorflow as tf
import tensorflow_datasets as tfds
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image

（2）导入Mnist数据集并标准化数据

# 载入mnist数据集
dataset, metadata = tfds.load("mnist", as_supervised=True, with_info=True)
mnist = tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_test, y_test = x_test / 255.0, y_test / 255.0

（3）搭建全连接模型

 model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation=tf.nn.relu),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10, activation=tf.nn.softmax)])

（4）训练模型并保存模型权重

  # 模型保存路径checkpoint_path = "model/cp.ckpt"checkpoint_dir = os.path.dirname(checkpoint_path)# 创建一个保存模型权重的回调cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,save_weights_only=True,verbose=1)# 训练模型的配置model.compile(optimizer='adam',loss='sparse_categorical_crossentropy', metrics=['accuracy'])# 开始训练模型model.fit(x_train, y_train,validation_data=(x_test, y_test),epochs=100,callbacks=[cp_callback])

（5）测试模型

    path = './test_pic/mnist_train_0.jpg'im = Image.open(path)plt.imshow(im)plt.show()pic = np.array(img2vec(path))print("\n识别结果:\n{}".format(np.argmax(model.predict(pic.reshape(1, 28, 28)))))print()

（6）工具函数,把图片统一大小并二值化

def img2vec(path):'''jpg转换为向量Args:path: the path of your pic'''try:im = Image.open(path).convert('L')im = im.resize((28, 28))tmp = np.array(im)vec = tmp.ravel()return vecexcept:print("图片不存在")

五、实验分析

（1）训练过程
Epoch=100，训练准确率能达到99.6%

Epoch 98/100
1850/1875 [============================>.] - ETA: 0s - loss: 0.0117 - accuracy: 0.9962
Epoch 00098: saving model to model/cp.ckpt
1875/1875 [==============================] - 3s 1ms/step - loss: 0.0118 - accuracy: 0.9962 - val_loss: 1.9510 - val_accuracy: 0.0000e+00
Epoch 99/100
1867/1875 [============================>.] - ETA: 0s - loss: 0.0121 - accuracy: 0.9962
Epoch 00099: saving model to model/cp.ckpt
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0121 - accuracy: 0.9962 - val_loss: 2.0950 - val_accuracy: 0.0000e+00
Epoch 100/100
1863/1875 [============================>.] - ETA: 0s - loss: 0.0113 - accuracy: 0.9961
Epoch 00100: saving model to model/cp.ckpt
1875/1875 [==============================] - 3s 1ms/step - loss: 0.0113 - accuracy: 0.9961 - val_loss: 1.8876 - val_accuracy: 0.0000e+00

（2）测试模型

保存mnist的200张图片作为预测使用，能准确预测出图片中的数字。

六、实验体会与心得

该手写数字识别是入门深度学习最简单的例子，数据集小，实现简单，通过对一个这个例子的实现，明白了深度学习的计算步骤。以及实现的流程。可以入门更难的例子。

【深度学习】手写数字识别Tensorflow2实验报告相关推荐

深度学习——手写数字识别
深度学习--手写数字问题前不久入门学习了Tensorflow深度学习框架,了解一下什么是神经网络和Tensorflow的简单使用.下面通过Tensorflow框架来建造神经网络模型来对手写数字进行训 ...
百度深度学习--手写数字识别之数据处理
文章目录概述前提条件读入数据并划分数据集扩展阅读:为什么学术界的模型总在不断精进呢? 训练样本乱序.生成批次数据校验数据有效性机器校验人工校验封装数据读取与处理函数异步数据读取概述 ...
深度学习——手写数字识别底层实现
内容再要手写数字识别,早在20世纪前,杨立昆(Yann LeCun)就完成这项工作,并在1980年左右利用卷积神经网络完善了手写数字识别代码实现 import tensorflow as tf i ...
【深度学习】猫狗识别TensorFlow2实验报告
实验二:猫狗识别一.实验目的利用深度学习实现猫狗动物识别,采用Kaggle提供的公开数据集,训练深度学习模型,对测试集猫狗中的图片准确分类.通过该实验掌握深度学习中基本的CV处理过程. 二.实验原 ...
python-机器学习-手写数字识别
机器学习简单的来说,分为监督式学习和无监督式学习: 对于监督式学习就是需要人为的来告诉计算机这是什么,需要我们给他一个标签(答案). 无监督式学习就是不需要我们给出标签(答案). 图像识别(Image ...
机器学习之手写数字识别大作业报告
写在前面在选择特征的时候,曾纠结过是用颜色矩.像素值还是图片卷积过后的值作为特征,我选择了后者,因为个人觉得手写数字识别相对于水质颜色识别来说,更关注图片的二维结构信息,如果用颜色矩或者像素值作为特 ...
python手写字体程序_深度学习---手写字体识别程序分析（python）
我想大部分程序员的第一个程序应该都是"hello world",在深度学习领域,这个"hello world"程序就是手写字体识别程序. 这次我们详细的分析下手 ...
深度学习手写字体识别
数据集介绍: mnist数据集使用tensorflow封装好的数据(包含6000张训练数据,1000张测试数据),图片大小为28x28. 在神经网络的结构上,一方面需要使用激活函数去线性化.另一方面需 ...
基于Python的BP网络实现手写数字识别
资源下载地址:https://download.csdn.net/download/sheziqiong/86790047 资源下载地址:https://download.csdn.net/downl ...

【深度学习】手写数字识别Tensorflow2实验报告