手写数字图片识别+导入csv训练集+预测训练集+csv导出预测结果

题目来源：
Dataset之MNIST：MNIST(手写数字图片识别+csv文件)数据集简介、下载、使用方法之详细攻略

导入csv训练集、测试集数据
构建神经网络
预测训练集
csv导出预测结果

1. 导入csv训练集、测试集数据
“csv数据导入前，人为地删除表格第一行的图像像素序号”

#读取train.csv里的数据，数据与标签分开记录
filename = 'train.csv'f = open(filename,'r')
train_images = []
train_lables = []
for i in f.readlines():a = i.strip().split(',')train_images.append([int(j) for j in a[1:]])train_lables.append(int(a[0]))#读取test.csv里的数据
filename = 'test.csv'f = open(filename,'r')
test_images = []
for i in f.readlines():a = i.strip().split(',')test_images.append([int(j) for j in a[0:]])#对图片的数据进行分行处理
import numpy
test_images=numpy.array(test_images)
train_images=numpy.array(train_images)

测试数据是否导入，通过print的方式

#对图像数据的某些输出进行测试
print('训练数据维度',train_images.shape)
print('测试图片个数',len(test_images))
print('训练集第4个数字图像的识别结果',train_lables[4])#显示训练集第4个数字图像
import numpy as np
import matplotlib.pyplot as plt
plt.imshow(train_images[4].reshape(28, 28))
plt.show()

2. 构建神经网络
“参考网络的代码”

#构建网络
#神经网络的核心组件是层（layer），它是一种数据处理模块，可看成数据过滤器。
#此网络包含2个Dense层，
from keras.models import Sequential# 导入Sequential模型
from keras.layers import Dense
from keras.optimizers import Adam
# design model
network = Sequential()
network.add(Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(Dense(10, activation='softmax'))
adam = Adam(lr=0.001)# compile model
network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])#在开始训练之前，对数据进行预处理，将其变换为网络要求的形状，并缩放到所有值都在[0, 1] 区间。
#需要将其变换为一个float32 数组（浮点型），其形状为(42000, 28 * 28)，取值范围为0~1。
train_images = train_images.reshape((42000, 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((28000,28*28))
test_images = test_images.astype('float32') / 255#对标签进行分类编码
from keras.utils import to_categorical
train_lables = to_categorical(train_lables)# training model，通过调用网络的fit 方法在训练数据上拟合（fit）模型。
#训练过程中显示了两个数字：一个是网络在训练数据上的损失（loss），另一个是网络在训练数据上的精度（acc）。
network.fit(train_images, train_lables, epochs=5, batch_size=128)

3. 预测训练集
这是自己写的代码，当时网上根本搜不到直接输出的代码。（我发现有人直接挪用发知识分享，注释都完全一样，望周知）

#预测测试集图像对应的数字
predict=[]
predict_test = network.predict(test_images)
predict = np.argmax(predict_test,1)  #axis = 1是取行的最大值的索引，0是列的最大值的索引#打印预测数据，检测其是否预测准确
print(predict)

4. csv导出预测结果
这是自己写的代码，当时网上根本搜不到直接输出的代码。（我发现有人直接挪用发知识分享，注释都完全一样，望周知）

#将预测数据用csv格式输出
import pandas as pda = []
b = []
for i in range(28000):a.append(i+1)b.append(predict[i])#字典中的key值即为csv中列名
dataframe = pd.DataFrame({'ImageId':a,'Label':b})#将DataFrame存储为csv,index表示是否显示行名，default=True
dataframe.to_csv("results.csv",index=False,sep=',')

展示测试集的图片

#展示测试集的图片
plt.imshow(test_images[2].reshape(28, 28))
plt.show()

测试结果：

因为老师发布了任务，利用网络资源完成后，单纯是为了保存下劳动的成果，所以把程序发到这里和大家共享。
ps:感谢我的两位兄dei

手写数字图片识别+导入csv训练集+预测训练集+csv导出预测结果相关推荐

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 ...
DL之DNN：利用DNN算法对mnist手写数字图片识别数据集(sklearn自带,1797*64)训练、预测(95%)
DL之DNN:利用DNN算法对mnist手写数字图片识别数据集(sklearn自带,1797*64)训练.预测(95%) 目录数据集展示输出结果设计代码数据集展示先查看sklearn自带di ...
DL之NN/CNN：NN算法进阶优化(本地数据集50000张训练集图片)，六种不同优化算法实现手写数字图片识别逐步提高99.6%准确率
DL之NN/CNN:NN算法进阶优化(本地数据集50000张训练集图片),六种不同优化算法实现手写数字图片识别逐步提高99.6%准确率目录设计思路设计代码设计思路设计代码 import mn ...
DL之NN：NN算法(本地数据集50000张训练集图片)进阶优化之三种参数改进，进一步提高手写数字图片识别的准确率
DL之NN:NN算法(本地数据集50000张训练集图片)进阶优化之三种参数改进,进一步提高手写数字图片识别的准确率导读上一篇文章,比较了三种算法实现对手写数字识别,其中,SVM和神经网络算法表现非 ...
DL之NN/Average_Darkness/SVM：手写数字图片识别(本地数据集50000训练集+数据集加4倍)比较3种算法Average_Darkness、SVM、NN各自的准确率
DL之NN/Average_Darkness/SVM:手写数字图片识别(本地数据集50000训练集+数据集加4倍)比较3种算法Average_Darkness.SVM.NN各自的准确率目录数据集下 ...
Dataset之Handwritten Digits：Handwritten Digits(手写数字图片识别)数据集简介、安装、使用方法之详细攻略
Dataset之Handwritten Digits:Handwritten Digits(手写数字图片识别)数据集简介.安装.使用方法之详细攻略目录 Handwritten Digits数据集的简 ...
TF：基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99%
TF:基于CNN(2+1)实现MNIST手写数字图片识别准确率提高到99% 导读与Softmax回归模型相比,使用两层卷积的神经网络模型借助了卷积的威力,准确率高非常大的提升. 目录输出结果代码 ...
Dataset之MNIST：MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集)
Dataset之MNIST:MNIST(手写数字图片识别+ubyte.gz文件)数据集的下载(基于python语言根据爬虫技术自动下载MNIST数据集) 目录数据集下载的所有代码 1.主文件 mni ...
TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率
TF之LoR:基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率目录输出结果设计代码输出结果设计代码 #TF之LoR:基于tensorflow实现手写数字图片识别准 ...

手写数字图片识别+导入csv训练集+预测训练集+csv导出预测结果

手写数字图片识别+导入csv训练集+预测训练集+csv导出预测结果

手写数字图片识别+导入csv训练集+预测训练集+csv导出预测结果相关推荐

最新文章

热门文章