CNN实现手写数字识别

手写数字识别一致是一个机器学习里面常见的案例，今天通过CNN来实现一个手写数字识别来介绍一个机器学习的流程。

数据预处理

from keras import datasets
(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()
x_train = x_train.reshape((60000, 28, 28, 1))
# 归一化，0-255不太方便神经网络进行计算，因此将范围缩小到0—1
x_train = x_train.astype('float32') / 255
x_test = x_test.reshape((10000, 28, 28, 1))
x_test = x_test.astype('float32') / 255

构建模型

from keras import models,layers
from keras import backend as K
K.clear_session()
#初始化模型，可以通过add往里面加层
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3) ))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3)))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
#查看模型结构
model.summary()

模型训练

model.compile() 作用：
设置优化器、损失函数和准确率评测标准。

optimizer：
1.“sgd” 或者 tf.optimizers.SGD(lr = 学习率， decay = 学习率衰减率，momentum = 动量参数）

2.“adagrad” 或者 tf.keras.optimizers.Adagrad(lr = 学习率， decay = 学习率衰减率）

3.“adadelta” 或者 tf.keras.optimizers.Adadelta(lr = 学习率，decay = 学习率衰减率）

4.“adam” 或者 tf.keras.optimizers.Adam(lr = 学习率， decay = 学习率衰减率）
loss：
1.“mse” 或者 “mean squared error” 或 tf.keras.losses.MeanSquaredError()
2.“sparse_categorical_crossentropy” 或 tf.keras.losses.SparseCatagoricalCrossentropy(from_logits = False)
Metrics：
1.“accuracy” :
2.“sparse_accuracy":
3.“sparse_categorical_accuracy” :


model.compile(optimizer='rmsprop',loss='sparse_categorical_crossentropy', # 注意此处loss形式针对未作Onehot的分类标签metrics=['accuracy'])
history = model.fit(x_train, y_train, epochs=2,batch_size=64,validation_data =(x_test,y_test))

import pandas as pd
import matplotlib.pyplot as plt
dfhistory = pd.DataFrame(history.history)
dfhistory.index = range(1,len(dfhistory) + 1)
dfhistory.index.name = 'epoch'
dfhistory.to_csv('hitory_metrics',sep = '\t')
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
epochs = range(1, len(acc) + 1)
plt.plot(epochs, acc, 'bo', label='Training accuracy')
plt.plot(epochs, val_acc, 'b', label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

model.save('minst_model.h5')

我们在网上随便找一张图片实验

from PIL import Image
import numpy as np
def produceImage(file_in, width, height, file_out):image = Image.open(file_in)resized_image = image.resize((width, height), Image.ANTIALIAS)resized_image.save(file_out)
if __name__ == '__main__':file_in = r'image\2.png'width = 28height = 28file_out = r'image\2_1.png'produceImage(file_in, width, height, file_out)# 把图像转化为黑白的im = Image.open(r'image\2_1.png')L = im.convert("L")L.save(r'image\2_1.png')

通过以上代码进行裁切得到

我们通过刚刚保存的模型去实验

import tensorflow as tf
from PIL import Image
import numpy as np
im_4 = Image.open(r'image\2_1.png')
im_4 = np.reshape(im_4, [1,28,28,1])
#调用模型
new_model =tf.keras.models.load_model('minst_model.h5')
#进行预测
pe_4 = new_model.predict(im_4)
#把最大的坐标找到，因为new_model.predict返回的是[0,0,1,0,0,0,0,0,0,0]这种格式，
#所以需要转换为我们熟悉的格式
pe_4 = tf.argmax(pe_4 ,1)with tf.Session() as sess:print(sess.run(pe_4))

输出结果：
2

CNN实现手写数字识别相关推荐

基于CNN的手写数字识别
基于CNN的手写数字识别文章目录基于CNN的手写数字识别零. 写在之前壹. 聊聊CNN 01. 什么是CNN 02. 为什么要有CNN 03. CNN模型 3.1 卷积层 3.2 池化层 3. ...
利用CNN进行手写数字识别
资源下载地址:https://download.csdn.net/download/sheziqiong/85884967 资源下载地址:https://download.csdn.net/downl ...
CNN之手写数字识别（Handwriting Recognition）
CNN之手写数字识别(Handwriting Recognition) 目录 CNN之手写数字识别(Handwriting Recognition) 1.常用的包 2.常见概念 3.手写数字识别器实现 ...
深蓝学院第三章：基于卷积神经网络(CNN)的手写数字识别实践
参看之前篇章的用全连接神经网络去做手写识别:https://blog.csdn.net/m0_37957160/article/details/114105389?spm=1001.2014.3001 ...
卷积神经网络（cnn）手写数字识别
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解,第一是二维图像上卷积的概念,第二是 pooling 的概念. a. 卷积关于卷积的概念和细节可以参考这里12,卷积运算有两个非常重要特 ...
简陋的CNN实现手写数字识别
文章目录前言背景知识 Neural Network Backpropagation CNN pytorch 介绍代码 CNN模型训练&测试前言日常翘课,但是作业还是要写的. 数据集 ...
Python仿真及应用结课大作业—基于CNN的手写数字识别与涂鸦识别
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一.结课文档目录二.涂鸦识别(篇幅问题只展示其一) 涂鸦识别引入必要的库函数导入数据为各个数据文件添加标签数 ...
用CNN实现手写数字识别
一.模型结构用户输入的图像是一个784维的向量x,我们按照以下步骤搭建网络: 1.把x整形为[28, 28, 1]的灰度图 2.用一次3x3的卷积操作从x中抽象出32个基本特征,图像形状变成[28, ...
Keras搭建CNN（手写数字识别Mnist）
MNIST数据集是手写数字识别通用的数据集,其中的数据是以二进制的形式保存的,每个数字是由28*28的矩阵表示的. 我们使用卷积神经网络对这些手写数字进行识别,步骤大致为: 导入库和模块我们导入Se ...
Matlab卷积神经网络（CNN）手写数字识别（一）
今天买的书到了,开始接触卷积神经网络,展示书中内容~ Matlab卷积神经网络手写数字识别(一) 机器学习的基本流程加载Matlab自带数据集机器学习的基本流程在机器学习中,一般将数据集划分为两 ...

CNN实现手写数字识别

数据预处理

构建模型

模型训练

CNN实现手写数字识别相关推荐

最新文章

热门文章