前言

非专业程序员，主业PLC单片机，2019年想扩充知识体系，紧跟潮流，带学生参加了人工智能大赛，才开始接触tensorflow以及深度学习的基本过程，非常艰难。后来比赛完了之后，学生也毕业了，因为感觉难度过大，而且自己将来也不准备转到这个行业，干脆就放弃了。最近疫情关在家里，想了一个晚上，对于本专业，自己干过项目，参加过大赛，虽然没有掌握PLC单片机所有的知识，但是掌握了方法论，能够快速的学习新的设备和目前尚未掌握的功能，没有应用的点，学习那些知识也就没有太大的必要。所以就决定利用疫情，继续开拓对自己来说仍然是新的领域，人工智能，从头开始。

现在再看tensorflow，已经改头换面了，1.x版本太过复杂，难以理解，2.x改善了很多，入门容易。

今天还是从手写数字开始，入门代码非常多，大多都是有关模型训练的，官网也有保存模型及加载模型的代码，这里就不再多写

预测部分，我在网上找到的都是使用mnist自己的测试数据来进行预测，有的是使用加载模型的方法测试准确率，有的是预测测试集中的数据，但是没有针对一个自己的图片（可以是摄像头拍的，可以是自己在画图里写的数字）的预测方法，这里主要解决这个问题。

这个想法产生的原因很简单，其实就是需要将我们的工作应用到现实中，整个过程我想是这几个步骤：准备训练数据、数据预处理来适配模型网络、搭建深度学习网络、训练模型、模型保存，到这实际上开发工作已经完成，下面的步骤就是要应用了，准备数据、加载模型、预测结果，预测的结果将用到后面的业务逻辑。

主要过程

导入

import tensorflow as tf
from tensorflow import keras
import cv2
from keras.preprocessing.image import img_to_array
import numpy as np

加载数据

def loadData():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

创建模型和训练

此部分大多来自官方文档和网络，就是一层全连接，理解也较为容易，最后将模型存为h5文件。

def create_model():model = tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28, 28)),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10, activation='softmax')])model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])return model
def train():model = create_model()model.summary()model.fit(x_train, y_train, epochs=5)model.evaluate(x_test,  y_test, verbose=2)model.save('my_model.h5')

模型应用

现在我们有了训练好的模型，正常逻辑就是考虑如何应用，官方文档有加载模型的方法，加载好之后预测就是一个predict函数，将预测的数据传进去就能得出结果，因为输入的尺寸是28*28，所以我考虑到图片大小不一，需要转换尺寸，这里我想到了用opencv，所以下面的函数就是使用cv处理图片。
为了简化操作过程探寻方法论，我使用黑底图片。

def imgTool():img = cv2.imread("D:/workspace/MNIST_data/1.jpg")img = cv2.resize(img,(28,28))img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)img = img_to_array(img)img = np.expand_dims(img, axis=0)

即使是黑底图片，也一定要转灰度，否则维度不对，在这浪费了不少时间。
步骤：读图片、塑形、灰度、图转矩阵、展开矩阵。
这个函数只用来测试图片处理结果。

最后的预测函数，在主程序里调用即可。

def predict():img = cv2.imread("D:/workspace/MNIST_data/1.jpg")img = cv2.resize(img,(28,28))img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)img = img_to_array(img)img = np.expand_dims(img, axis=0)img = img / 255.0new_model = tf.keras.models.load_model("my_model.h5")new_model.summary()pre= new_model.predict(img)print(np.argmax(pre))

总结

这里不讨论模型的准确度及网络的合理性，主要问题是训练好的模型如何应用。

mnist手写数字模型训练、保存、加载及图片预测相关推荐

word2vec模型训练保存加载及简单使用
目录 word2vec模型训练保存加载及简单使用一 word2vec简介二.模型训练和保存及加载模型训练模型保存和加载模型的增量训练三.模型常用API 四.文本相似度计算--文档级别 wo ...
手写数字识别--Android Studio 加载tensorflow模型
思路: 在电脑端调用mnist数据集,构建深度卷积神经网络模型,使用TensorFlow进行训练,达到99%+的测试集数据准确率,继而把模型迁移到App端.具体迁移教程参考之前的文章: https:/ ...
Pytorch模型训练保存/加载（搭建完整流程）
文章目录前言模型训练完整步骤模型保存与加载 GPU训练 "借鸡生蛋" 模型使用本博文优先在掘金社区发布! 前言我们这边还是以CIARF10这个模型为例子. 现在的话先说明 ...
Caffe MNIST 手写数字识别（全面流程）
目录 1.下载MNIST数据集 2.生成MNIST图片训练.验证.测试数据集 3.制作LMDB数据库文件 4.准备LeNet-5网络结构定义模型.prototxt文件 5.准备模型求解配置文件_sol ...
MOOC网深度学习应用开发1——Tensorflow基础、多元线性回归:波士顿房价预测问题Tensorflow实战、MNIST手写数字识别：分类应用入门、泰坦尼克生存预测
Tensorflow基础 tensor基础当数据类型不同时,程序做相加等运算会报错,可以通过隐式转换的方式避免此类报错. 单变量线性回归监督式机器学习的基本术语线性回归的Tensorflow实战 ...
将tensorflow训练好的模型移植到Android (MNIST手写数字识别)
将tensorflow训练好的模型移植到Android (MNIST手写数字识别) [尊重原创,转载请注明出处]https://blog.csdn.net/guyuealian/article/det ...
[tensorflow、神经网络] - 使用tf和mnist训练一个识别手写数字模型,并测试
参考包含: 1.层级的计算.2.训练的整体流程.3.tensorboard画图.4.保存/使用模型.5.总体代码(含详细注释) 1. 层级的计算如上图,mnist手写数字识别的训练集提供的图片是 ...
持久化的基于L2正则化和平均滑动模型的MNIST手写数字识别模型
持久化的基于L2正则化和平均滑动模型的MNIST手写数字识别模型觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考文献Tensorflow实战Google深度学习框架实验平台: Tens ...
pytorch MNIST 手写数字识别 + 使用自己的测试集 + 数据增强后再训练
文章目录 1. MNIST 手写数字识别 2. 聚焦数据集扩充后的模型训练 3. pytorch 手写数字识别基本实现 3.1完整代码及 MNIST 测试集测试结果 3.1.1代码 3.1.2 MNI ...

mnist手写数字模型训练、保存、加载及图片预测

文章目录

前言

主要过程

导入

加载数据

创建模型和训练

模型应用

总结

mnist手写数字模型训练、保存、加载及图片预测相关推荐

最新文章

热门文章