Tensorflow - 加载卷积神经网络实现手写体数字识别

上一篇博客中，我们已经训练好了模型

https://blog.csdn.net/Polaris47/article/details/80718328

接下来我们要加载模型并识别真实场景下的一个手写体数字

在此之前，我们先要准备好一张28*28像素的图像（可用ps制作），然后通过处理将像素的强度值变为0-1之间，之后即可输入模型进行识别。

保存已训练的模型文件如下：

代码如下：

import tensorflow as tf
import matplotlib.pyplot as plt
from PIL import Imagedef imageprepare(imagepath):im = Image.open(imagepath) #读取的图片所在路径，注意是28*28像素plt.imshow(im)  #显示需要识别的图片plt.show()im = im.convert('L')tv = list(im.getdata())tva = [(255-x)*1.0/255.0 for x in tv]return tvadef weight_variable(shape, name):initial = tf.truncated_normal(shape, stddev=0.1)  # 生成一个截断的正态分布return tf.Variable(initial, name=name)# 初始化偏置
def bias_variable(shape, name):initial = tf.constant(0.1, shape=shape)return tf.Variable(initial, name=name)# 卷积层
def conv2d(x, W):# x input tensor of shape `[batch, in_height, in_width, in_channels]`# W filter / kernel tensor of shape [filter_height, filter_width, in_channels, out_channels]# `strides[0] = strides[3] = 1`. strides[1]代表x方向的步长，strides[2]代表y方向的步长# padding: A `string` from: `"SAME", "VALID"`return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')# 池化层
def max_pool_2x2(x):# ksize [1,x,y,1]return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')# 命名空间
with tf.name_scope('input'):# 定义两个placeholderx = tf.placeholder(tf.float32, [None, 784], name='x-input')y = tf.placeholder(tf.float32, [None, 10], name='y-input')with tf.name_scope('x_image'):# 改变x的格式转为4D的向量[batch, in_height, in_width, in_channels]`x_image = tf.reshape(x, [-1, 28, 28, 1], name='x_image')with tf.name_scope('Conv1'):# 初始化第一个卷积层的权值和偏置with tf.name_scope('W_conv1'):W_conv1 = weight_variable([5, 5, 1, 32], name='W_conv1')  # 5*5的采样窗口，32个卷积核从1个平面抽取特征with tf.name_scope('b_conv1'):b_conv1 = bias_variable([32], name='b_conv1')  # 每一个卷积核一个偏置值# 把x_image和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数with tf.name_scope('conv2d_1'):conv2d_1 = conv2d(x_image, W_conv1) + b_conv1with tf.name_scope('relu'):h_conv1 = tf.nn.relu(conv2d_1)with tf.name_scope('h_pool1'):h_pool1 = max_pool_2x2(h_conv1)  # 进行max-poolingwith tf.name_scope('Conv2'):# 初始化第二个卷积层的权值和偏置with tf.name_scope('W_conv2'):W_conv2 = weight_variable([5, 5, 32, 64], name='W_conv2')  # 5*5的采样窗口，64个卷积核从32个平面抽取特征with tf.name_scope('b_conv2'):b_conv2 = bias_variable([64], name='b_conv2')  # 每一个卷积核一个偏置值# 把h_pool1和权值向量进行卷积，再加上偏置值，然后应用于relu激活函数with tf.name_scope('conv2d_2'):conv2d_2 = conv2d(h_pool1, W_conv2) + b_conv2with tf.name_scope('relu'):h_conv2 = tf.nn.relu(conv2d_2)with tf.name_scope('h_pool2'):h_pool2 = max_pool_2x2(h_conv2)  # 进行max-pooling# 28*28的图片第一次卷积后还是28*28，第一次池化后变为14*14
# 第二次卷积后为14*14，第二次池化后变为了7*7
# 进过上面操作后得到64张7*7的平面with tf.name_scope('fc1'):# 初始化第一个全连接层的权值with tf.name_scope('W_fc1'):W_fc1 = weight_variable([7 * 7 * 64, 1024], name='W_fc1')  # 上一场有7*7*64个神经元，全连接层有1024个神经元with tf.name_scope('b_fc1'):b_fc1 = bias_variable([1024], name='b_fc1')  # 1024个节点# 把池化层2的输出扁平化为1维with tf.name_scope('h_pool2_flat'):h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64], name='h_pool2_flat')# 求第一个全连接层的输出with tf.name_scope('wx_plus_b1'):wx_plus_b1 = tf.matmul(h_pool2_flat, W_fc1) + b_fc1with tf.name_scope('relu'):h_fc1 = tf.nn.relu(wx_plus_b1)# keep_prob用来表示神经元的输出概率with tf.name_scope('keep_prob'):keep_prob = tf.placeholder(tf.float32, name='keep_prob')with tf.name_scope('h_fc1_drop'):h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob, name='h_fc1_drop')with tf.name_scope('fc2'):# 初始化第二个全连接层with tf.name_scope('W_fc2'):W_fc2 = weight_variable([1024, 10], name='W_fc2')with tf.name_scope('b_fc2'):b_fc2 = bias_variable([10], name='b_fc2')with tf.name_scope('wx_plus_b2'):wx_plus_b2 = tf.matmul(h_fc1_drop, W_fc2) + b_fc2with tf.name_scope('softmax'):# 计算输出prediction = tf.nn.softmax(wx_plus_b2)res = tf.argmax(prediction, 1)saver = tf.train.Saver()
image = imageprepare('6.png')with tf.Session() as sess:saver.restore(sess, "cnn_Model/model.ckpt")result = sess.run(res,feed_dict={x: [image],keep_prob:1.0})print('识别结果为：%d' %result)

制作的图像和识别结果如下：

Tensorflow - 加载卷积神经网络实现手写体数字识别相关推荐

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 ✳️ ...
基于TensorFlow卷积神经网络的手写体数字识别
一.卷积神经网络(CNN) 二.LeNet 三.代码 1.Mnist手写体训练并测试 2.可视化四.数据集分析五.结果分析 1.准确率 2.可视化测试一.卷积神经网络(CNN) 参考:https ...
基于AlexNet卷积神经网络的手写体数字倾斜校正系统研究-附Matlab代码
⭕⭕ 目录 ⭕⭕ ✳️ 一.引言 ✳️ 二.AlexNet 网络 ✳️ 三.实验验证 ✳️ 3.1 实验数据集 ✳️ 3.2 数据训练 ✳️ 3.3 手写体倾斜数字校正结果 ✳️ 四.参考文献 ✳️ ...
特征匹配实现印刷体数字识别，卷积神经网络实现印刷体数字识别
特征匹配实现印刷体数字识别,卷积神经网络实现印刷体数字识别(很可靠) 1.印刷体数字识别(特征匹配) 1.首先需要了解为什么印刷体数字识别我使用的是特征匹配的方法,我起初也走了很多的坑,当初固执的识别 ...
并行化实现基于BP神经网络的手写体数字识别
并行化实现基于BP神经网络的手写体数字识别手写体数字识别可以堪称是神经网络学习的"Hello World" ,我今天要说的是如何实现BP神经网络算法的并行化,我们仍然是以手写体数 ...
matlab+BP神经网络实现手写体数字识别
个人博客文章链接:http://www.huqj.top/article?id=168 接着上一篇所说的 BP神经网络,现在用它来实现一个手写体数字的识别程序,训练素材来自吴恩达机器学习课程,我把打包 ...
基于BP神经网络的手写体数字识别matlab仿真实现
目录一.理论基础二.核心程序三.测试结果一.理论基础文字.数字识别是一个典型的模式识别问题,也是模式识别中一个非常重要的应用领域.在文字.数字识别系统中,手写体的文字与识别是一个较难的领域, ...
利用python卷积神经网络手写数字识别_卷积神经网络使用Python的手写数字识别
为了使机器更智能,开发人员正在研究机器学习和深度学习技术.人类通过反复练习和重复执行任务来学习执行任务,从而记住了如何执行任务.然后,他大脑中的神经元会自动触发,它们可以快速执行所学的任务.深度学习与 ...
卷积神经网络手写数字识别（包含Pytorch实现代码）
Hello!欢迎来到六个核桃Lu! 运用卷积神经网络实现手写数字识别 1 算法分析及设计卷积神经网络: 图1-2 如图1-2,卷积神经网络由若干个方块盒子构成,盒子从左到右仿佛越来越小,但却越来越 ...

Tensorflow - 加载卷积神经网络实现手写体数字识别

Tensorflow - 加载卷积神经网络实现手写体数字识别相关推荐

最新文章

热门文章