mnist训练与测试自己手写数字

一、训练
1、从http://yann.lecun.com/exdb/mnist/下载的数据集
这需要进行数据结构转化，转化为lmdb格式。

解压到caffe->data->mnist文件夹下，右键git bash here，输入如下命令：

../../Build/x64/Release/convert_mnist_data train-images.idx3-ubyte train-labels.idx1-ubyte mnist_train_lmdb
../../Build/x64/Release/convert_mnist_data t10k-images.idx3-ubyte t10k-labels.idx1-ubyte mnist_test_lmdb

可能会出现如下错误：

这是因为在进行caffe编译的时候，没有编译convert_mnist_data项目。

所以在进行caffe编译的时候（对于初学者来说）尽量全部设置为启动项进行编译，以防按照博客步骤操作时出错，也不知道错在哪里。对于上面的命令只要路径写对，命令格式也对，都可以。运行后的正确结果为：

同样也可以直接下载转化好格式的文件，在下面修改的时候要数据格式保持一致。
2、然后把生成的两个文件复制到examples\mnist下，修改一下两个文件：

lenet_solver.prototxt:

lenet_train_test.prototxt:

3、在caffe根目录下git bash here输入：

caffe train -solver=examples/mnist/lenet_solver.prototxt -gpu 0

注意：经过测试发现，在修改lenet_solver.prototxt和Lenet_train_test.prototxt文件时，其具体的路径设置和你在哪个目录进行git bash here有关，如果你是在caffe的根目录进行操作的话，就把路径全部修改为examples/mnist/mnist_train_lmdb；如果是在examples/mnist下git bash here 则直接写所需文件的名字。

二、测试
1、进行测试需要均值，及进行训练数据的均值，可以通过conpute_image_mean里获取。在包含mnist_train_lmdb文件的目录下git bash here，输入如下命令：

compute_image_mean mnist_train_lmdb mean.binaryproto

会生成一个mean.binaryproto文件，然后把它放到examples/mnist文件下，并修改lenet_train_test.prototxt文件：

2、在caffe 根目录下git bash here输入如下命令：

caffe test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu 0

看到如下就成功了：

注意：上述测试结果不太好，但是每次测试结果可能都不一样，也和使用的数据集有关。

上述测试结果不好的原因:最近又跑了一遍mnist，发现在测试阶段，如果不采用均值计算，直接进行测试，效果会很好，准确率可以达到98%以上。首先采用的数据集本身只有黑白两色，图像特征属性很明确，如果采用均值计算，就像均值滤波一样，对数据会产生平滑模糊的效果，从而降低了数据集原本比较鲜明的特征属性，因此降低了测试的准确率。

三、测试自己的手写字符
1、通过画图工具，设置像素大小为28x28的图片，自己写上数字，然后通过matlab命令窗口转化为二值图片：

>> image=imread('C:\Users\admin\Desktop\num\2.png');
>> im=255-rgb2gray(image);
>> imwrite(uint8(im),'C:\Users\admin\Desktop\dig\2.bmp');
>> image=imread('C:\Users\admin\Desktop\num\3.png');
>> im=255-rgb2gray(image);
>> imwrite(uint8(im),'C:\Users\admin\Desktop\dig\3.bmp');
>> image=imread('C:\Users\admin\Desktop\num\6.png');
>> im=255-rgb2gray(image);
>> imwrite(uint8(im),'C:\Users\admin\Desktop\dig\6.bmp');

2、把生成二值图片的文件夹复制到examples\mnist下,然后新建txt文件输入10个阿拉伯数字：

在caffe 根目录下git bash here输入：

classification examples/mnist/lenet.prototxt examples/mnist/lenet_iter_10000.c          affemodel examples/mnist/mean.binaryproto examples/mnist/synset_worlds.txt examp          les/mnist/dig/3.bmp

不过有时候分类会出错。

mnist训练与测试自己手写数字相关推荐

使用caffemodel模型（由mnist训练）测试单张手写数字样本
caffe中训练和测试mnist数据集都是批处理,可以反馈识别率,但是看不到单张样本的识别效果,这里使用windows自带的画图工具手写制作0~9的测试数字,然后使用caffemodel模型识别. 1 ...
机器学习Tensorflow基于MNIST数据集识别自己的手写数字（读取和测试自己的模型）
机器学习Tensorflow基于MNIST数据集识别自己的手写数字(读取和测试自己的模型)
MATLAB实现基于BP神经网络的手写数字识别+GUI界面+mnist数据集测试
文章目录 MATLAB实现基于BP神经网络的手写数字识别+GUI界面+mnist数据集测试一.题目要求二.完整的目录结构说明三.Mnist数据集及数据格式转换四.BP神经网络相关知识 4.1 ...
caffe学习（二）：利用mnist数据集训练并进行手写数字识别（windows）
准备数据集 http://yann.lecun.com/exdb/mnist/提供了训练集与测试集数据的下载. 但是caffe并不是直接处理这些数据,而是要转换成lmdb或leveldb格式进行读取. ...
TensorFlow笔记（3）——利用TensorFlow和MNIST数据集训练一个最简单的手写数字识别模型...
前言当我们开始学习编程的时候,第一件事往往是学习打印"Hello World".就好比编程入门有Hello World,机器学习入门有MNIST. MNIST是一个入门级的计算机 ...
TF之NN：利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别
TF之NN:利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别目录输出结果代码设计输出结果代码设计 ...
MNIST数据集实现手写数字识别（基于tensorflow）
------------先看看别人的博客--------------------- Tensorflow 实现 MNIST 手写数字识别用这个的代码跑通了使用Tensorflow和 ...
TF之DNN：利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程
TF之DNN:利用DNN[784→500→10]对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程目录输出结果案例理解DNN过程思路代码设计输出结果案 ...
keras库的安装及使用，以全连接层和手写数字识别MNIST为例
1.什么是keras 什么是keras? keras以TensorFlow和Theano作为后端封装,是一个专门用于深度学习的python模块. 包含了全连接层,卷积层,池化层,循环层,嵌入层等等等, ...

mnist训练与测试自己手写数字

mnist训练与测试自己手写数字相关推荐

最新文章

热门文章