深度学习--TensorFlow（项目）识别自己的手写数字（基于CNN卷积神经网络）
目录
基础理论
一、训练CNN卷积神经网络
1、载入数据
2、改变数据维度
3、归一化
4、独热编码
5、搭建CNN卷积神经网络
5-1、第一层：第一个卷积层
5-2、第二层：第二个卷积层
5-3、扁平化
5-4、第三层：第一个全连接层
5-5、第四层：第二个全连接层（输出层）
6、编译
7、训练
8、保存模型
代码
二、识别自己的手写数字（图像）
1、载入数据
2、载入训练好的模型
3、载入自己写的数字图片并设置大小
4、转灰度图
5、转黑底白字、数据归一化
6、转四维数据
7、预测
8、显示图像
效果展示
代码
基础理论
第一层：卷积层。
第二层：卷积层。
第三层：全连接层。
第四层：输出层。
图中原始的手写数字的图片是一张 28×28 的图片，并且是黑白的，所以图片的通道数是1，输入数据是 28×28×1 的数据，如果是彩色图片，图片的通道数就为 3。
该网络结构是一个 4 层的卷积神经网络（计算神经网络层数的时候，有权值的才算是一层，池化层就不能单独算一层）（池化的计算是在卷积层中进行的）。
对多张特征图求卷积，相当于是同时对多张特征图进行特征提取。
特征图数量越多说明卷积网络提取的特征数量越多，如果特征图数量设置得太少容易出现欠拟合，如果特征图数量设置得太多容易出现过拟合，所以需要设置为合适的数值。
一、训练CNN卷积神经网络
1、载入数据
# 1、载入数据
mnist = tf.keras.datasets.mnist
(train_data, train_target), (test_data, test_target) = mnist.load_data()2、改变数据维度
注：在TensorFlow中，在做卷积的时候需要把数据变成4维的格式。 这4个维度分别是：数据数量，图片高度，图片宽度，图片通道数。
# 2、改变数据维度
train_data = train_data.reshape(-1, 28, 28, 1)
test_data = test_data.reshape(-1, 28, 28, 1)
# 注：在TensorFlow中，在做卷积的时候需要把数据变成4维的格式
# 这4个维度分别是：数据数量，图片高度，图片宽度，图片通道数3、归一化
# 3、归一化（有助于提升训练速度）
train_data = train_data/255.0
test_data = test_data/255.04、独热编码
# 4、独热编码
train_target = tf.keras.utils.to_categorical(train_target, num_classes=10)
test_target = tf.keras.utils.to_categorical(test_target, num_classes=10) #10种结果5、搭建CNN卷积神经网络
model = Sequential()5-1、第一层：第一个卷积层
第一个卷积层：卷积层+池化层。
# 5-1、第一层：卷积层+池化层
# 第一个卷积层
model.add(Convolution2D(input_shape = (28,28,1), filters = 32, kernel_size = 5, strides = 1, padding = 'same', activation = 'relu'))
# 卷积层 输入数据 滤波器数量 卷积核大小 步长 填充数据(same padding) 激活函数
# 第一个池化层 # pool_size
model.add(MaxPooling2D(pool_size = 2, strides = 2, padding = 'same',))
# 池化层(最大池化) 池化窗口大小 步长 填充方式5-2、第二层：第二个卷积层
# 5-2、第二层：卷积层+池化层
# 第二个卷积层
model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu'))
# 64:滤波器个数 5:卷积窗口大小
# 第二个池化层
model.add(MaxPooling2D(2, 2, 'same'))5-3、扁平化
把(64,7,7,64)数据变成：(64,7*7*64)。
flatten扁平化：
# 5-3、扁平化 （相当于把(64,7,7,64)数据->(64,7*7*64)）
model.add(Flatten())5-4、第三层：第一个全连接层
# 5-4、第三层：第一个全连接层
model.add(Dense(1024,activation = 'relu'))
model.add(Dropout(0.5))5-5、第四层：第二个全连接层（输出层）
# 5-5、第四层：第二个全连接层（输出层）
model.add(Dense(10, activation='softmax'))
# 10：输出神经元个数6、编译
设置优化器、损失函数、标签。
# 6、编译
model.compile(optimizer=Adam(lr=1e-4), loss='categorical_crossentropy', metrics=['accuracy'])
# 优化器(adam) 损失函数(交叉熵损失函数) 标签7、训练
# 7、训练
model.fit(train_data, train_target, batch_size=64, epochs=10, validation_data=(test_data, test_target))8、保存模型
# 8、保存模型
model.save('mnist.h5')效果：
Epoch 1/10
938/938 [==============================] - 142s 151ms/step - loss: 0.3319 - accuracy: 0.9055 - val_loss: 0.0895 - val_accuracy: 0.9728
Epoch 2/10
938/938 [==============================] - 158s 169ms/step - loss: 0.0911 - accuracy: 0.9721 - val_loss: 0.0515 - val_accuracy: 0.9830
Epoch 3/10
938/938 [==============================] - 146s 156ms/step - loss: 0.0629 - accuracy: 0.9807 - val_loss: 0.0389 - val_accuracy: 0.9874
Epoch 4/10
938/938 [==============================] - 120s 128ms/step - loss: 0.0498 - accuracy: 0.9848 - val_loss: 0.0337 - val_accuracy: 0.9889
Epoch 5/10
938/938 [==============================] - 119s 127ms/step - loss: 0.0424 - accuracy: 0.9869 - val_loss: 0.0273 - val_accuracy: 0.9898
Epoch 6/10
938/938 [==============================] - 129s 138ms/step - loss: 0.0338 - accuracy: 0.9897 - val_loss: 0.0270 - val_accuracy: 0.9907
Epoch 7/10
938/938 [==============================] - 124s 133ms/step - loss: 0.0302 - accuracy: 0.9904 - val_loss: 0.0234 - val_accuracy: 0.9917
Epoch 8/10
938/938 [==============================] - 132s 140ms/step - loss: 0.0264 - accuracy: 0.9916 - val_loss: 0.0240 - val_accuracy: 0.9913
Epoch 9/10
938/938 [==============================] - 139s 148ms/step - loss: 0.0233 - accuracy: 0.9926 - val_loss: 0.0235 - val_accuracy: 0.9919
Epoch 10/10
938/938 [==============================] - 139s 148ms/step - loss: 0.0208 - accuracy: 0.9937 - val_loss: 0.0215 - val_accuracy: 0.9924
可以发现训练10次以后，效果达到了99%+，还是比较不错的。
代码
# 手写数字识别 -- CNN神经网络训练
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten
from tensorflow.keras.optimizers import Adam# 1、载入数据
mnist = tf.keras.datasets.mnist
(train_data, train_target), (test_data, test_target) = mnist.load_data()# 2、改变数据维度
train_data = train_data.reshape(-1, 28, 28, 1)
test_data = test_data.reshape(-1, 28, 28, 1)
# 注：在TensorFlow中，在做卷积的时候需要把数据变成4维的格式
# 这4个维度分别是：数据数量，图片高度，图片宽度，图片通道数# 3、归一化（有助于提升训练速度）
train_data = train_data/255.0
test_data = test_data/255.0# 4、独热编码
train_target = tf.keras.utils.to_categorical(train_target, num_classes=10)
test_target = tf.keras.utils.to_categorical(test_target, num_classes=10) #10种结果# 5、搭建CNN卷积神经网络
model = Sequential()
# 5-1、第一层：卷积层+池化层
# 第一个卷积层
model.add(Convolution2D(input_shape = (28,28,1), filters = 32, kernel_size = 5, strides = 1, padding = 'same', activation = 'relu'))
# 卷积层 输入数据 滤波器数量 卷积核大小 步长 填充数据(same padding) 激活函数
# 第一个池化层 # pool_size
model.add(MaxPooling2D(pool_size = 2, strides = 2, padding = 'same',))
# 池化层(最大池化) 池化窗口大小 步长 填充方式# 5-2、第二层：卷积层+池化层
# 第二个卷积层
model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu'))
# 64:滤波器个数 5:卷积窗口大小
# 第二个池化层
model.add(MaxPooling2D(2, 2, 'same'))# 5-3、扁平化 （相当于把(64,7,7,64)数据->(64,7*7*64)）
model.add(Flatten())# 5-4、第三层：第一个全连接层
model.add(Dense(1024, activation = 'relu'))
model.add(Dropout(0.5))# 5-5、第四层：第二个全连接层（输出层）
model.add(Dense(10, activation='softmax'))
# 10：输出神经元个数# 6、编译
model.compile(optimizer=Adam(lr=1e-4), loss='categorical_crossentropy', metrics=['accuracy'])
# 优化器(adam) 损失函数(交叉熵损失函数) 标签# 7、训练
model.fit(train_data, train_target, batch_size=64, epochs=10, validation_data=(test_data, test_target))# 8、保存模型
model.save('mnist.h5')二、识别自己的手写数字（图像）
1、载入数据
# 1、载入数据
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()数据集的图片（之一）：
2、载入训练好的模型
# 2、载入训练好的模型
model = load_model('mnist.h5')3、载入自己写的数字图片并设置大小
# 3、载入自己写的数字图片并设置大小
img = Image.open('6.jpg')
# 设置大小（和数据集的图片一致）
img = img.resize((28, 28))
4、转灰度图
# 4、转灰度图
gray = np.array(img.convert('L')) #.convert('L')：转灰度图
可以发现和数据集中的白底黑字差别很大，所以我们把它反转一下：
5、转黑底白字、数据归一化
MNIST数据集中的数据都是黑底白字，且取值在0~1之间。
# 5、转黑底白字、数据归一化
gray_inv = (255-gray)/255.06、转四维数据
CNN神经网络预测需要四维数据。
# 6、转四维数据（CNN预测需要）
image = gray_inv.reshape((1,28,28,1))7、预测
# 7、预测
prediction = model.predict(image) # 预测
prediction = np.argmax(prediction,axis=1) # 找出最大值
print('预测结果：', prediction)
8、显示图像
# 8、显示
# 设置plt图表
f, ax = plt.subplots(3, 3, figsize=(7, 7))
# 显示数据集图像
ax[0][0].set_title('train_model')
ax[0][0].axis('off')
ax[0][0].imshow(x_train[18], 'gray')
# 显示原图
ax[0][1].set_title('img')
ax[0][1].axis('off')
ax[0][1].imshow(img, 'gray')
# 显示灰度图（白底黑字）
ax[0][2].set_title('gray')
ax[0][2].axis('off')
ax[0][2].imshow(gray, 'gray')
# 显示灰度图（黑底白字）
ax[1][0].set_title('gray')
ax[1][0].axis('off')
ax[1][0].imshow(gray_inv, 'gray')plt.show()效果展示
代码
# 识别自己的手写数字（图像预测）
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tf
from tensorflow.keras.models import load_model
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np# 1、载入数据
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()# 2、载入训练好的模型
model = load_model('mnist.h5')# 3、载入自己写的数字图片并设置大小
img = Image.open('5.jpg')
# 设置大小（和数据集的图片一致）
img = img.resize((28, 28))# 4、转灰度图
gray = np.array(img.convert('L')) #.convert('L')：转灰度图# 5、转黑底白字、数据归一化
gray_inv = (255-gray)/255.0# 6、转四维数据（CNN预测需要）
image = gray_inv.reshape((1,28,28,1))# 7、预测
prediction = model.predict(image) # 预测
prediction = np.argmax(prediction,axis=1) # 找出最大值
print('预测结果：', prediction)# 8、显示
# 设置plt图表
f, ax = plt.subplots(2, 2, figsize=(5, 5))
# 显示数据集图像
ax[0][0].set_title('train_model')
ax[0][0].axis('off')
ax[0][0].imshow(x_train[18], 'gray')
# 显示原图
ax[0][1].set_title('img')
ax[0][1].axis('off')
ax[0][1].imshow(img, 'gray')
# 显示灰度图（白底黑字）
ax[1][0].set_title('gray')
ax[1][0].axis('off')
ax[1][0].imshow(gray, 'gray')
# 显示灰度图（黑底白字）
ax[1][1].set_title(f'predict:{prediction}')
ax[1][1].axis('off')
ax[1][1].imshow(gray_inv, 'gray')plt.show()深度学习--TensorFlow（项目）识别自己的手写数字（基于CNN卷积神经网络）相关推荐
- 独家 | 如何从头开始为MNIST手写数字分类建立卷积神经网络（附代码）
翻译:张睿毅 校对:吴金笛 本文约9300字,建议阅读20分钟. 本文章逐步介绍了卷积神经网络的建模过程,最终实现了MNIST手写数字分类. MNIST手写数字分类问题是计算机视觉和深度学习中使用的标 ...
- 深度学习面试题12：LeNet(手写数字识别)
目录 神经网络的卷积.池化.拉伸 LeNet网络结构 LeNet在MNIST数据集上应用 参考资料 LeNet是卷积神经网络的祖师爷LeCun在1998年提出,用于解决手写数字识别的视觉任务.自那时起 ...
- 什么是深度学习？kears简介，深度学习常用的三大模型，MLP(多层感知机)，CNN(卷积神经网络)，RNN(循环神经网络)
什么是深度学习? 简单理解深度学习就是人类容易做的事情,机器不容易完成的事情.(实例:人脸识别,这个例子很好的证明了这句话.假如你识别一个人 ,今天这个人长这个样子,明天脸上有一块伤口,我们人是不是还 ...
- matlab朴素贝叶斯手写数字识别_从“手写数字识别”学习分类任务
机器学习问题可以分为回归问题和分类问题,回归问题已经在线性回归讲过,本文学习分类问题.分类问题跟回归问题有明显的区别,回归问题是连续的数值,而分类问题是离散的类别,比如将性别分为[男,女],将图片分为 ...
- 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)
- 基于TensorFlow和mnist数据集的手写数字识别系统 ，可识别电话号码，识别准确率高，有对比实验，两组模型，可讲解代码
基于TensorFlow和mnist数据集的手写数字识别系统 ,可识别电话号码,识别准确率高,有对比实验,两组模型,可讲解代码
- 基于tensorflow+RNN的MNIST数据集手写数字分类
2018年9月25日笔记 tensorflow是谷歌google的深度学习框架,tensor中文叫做张量,flow叫做流. RNN是recurrent neural network的简称,中文叫做循环 ...
- 手写数字识别案例、手写数字图片处理
python_手写数字识别案例.手写数字图片处理 1.手写数字识别案例 步骤: 收集数据 带有标签的训练数据集来源于trainingDigits文件夹里面所有的文件,接近2000个文件,每个文件中有3 ...
- 【FPGA教程案例100】深度学习1——基于CNN卷积神经网络的手写数字识别纯Verilog实现,使用mnist手写数字数据库
FPGA教程目录 MATLAB教程目录 ---------------------------------------- 目录 1.软件版本 2.CNN卷积神经网络的原理 2.1 mnist手写数字数 ...
最新文章
- Navicat导出表结构导出成Excel
- 操作系统编写之引导扇区
- python3 异步错误 asyncio.Semaphore RuntimeError: Task got Future attached to a different loop
- 大道至简_阅读笔记02
- 软件开发生命周期中的设计阶段_BIM咨询在设计阶段包含哪些内容？体现了哪些价值？...
- Could not find a version that satisfies the requirement PIL
- 联想小新系列win10系统使用IDEA经常闪退，蓝屏，死机，饱受折磨
- 反转链表—leetcode206
- 学计算机的专属表白方式,九个学科专属表白句子-花式表白公式【蜜匠婚礼】...
- java基础面试题之：switch的参数类型
- RabbitMQ学习总结（8）——RabbitMQ后台管理控制台页面属性总结
- MyEclipse 10.7（版本：eclipse 3.7.x-Indigo系列）安装activiti-eclipse-plugin插件（流程设计器）...
- Java程序员集合框架面试题
- 百度地图API相关点
- Java——打印九宫格（奇数行方阵）
- VCS+dve+verdi仿真
- weblogic的WTC接口配置方法（发送方）
- 软考-嵌入式系统设计师：[网络安全:笔记(六)]
- jmp指令(0903)
- Mac上效率软件推荐