Python 基础之 jupyter notebook 中机器学习的简单入门书写数字识别 demo 操作学习

一、简单介绍

二、原理过程

三、用到的 python 模块

四、效果预览

五、jupyter notebook 创建项目

六、入门书写数字识别 demo 实现过程

七、8 bit 像素工具绘制测试图片

一、简单介绍

Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。

本节将介绍，将使用 jupyter notebool 进行一个简单手写数字的模型训练，然后使用该模型进行手写数字的识别过程，初步熟悉一下机器学习的一个简单过程。

Jupyter Notebook 的本质是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码，数学方程，可视化和 markdown。用途包括：数据清理和转换，数值模拟，统计建模，机器学习等等

二、原理过程

大致如下：

训练过程可能根据模型准确率，不断改进模型，在训练，在检测，如此反复

三、用到的 python 模块

1、sklearn （数据、和训练模型）

2、matplotlib （数据图片可视化）

3、pillow （图片数据的读取）

4、numpy （图片数据的处理）

四、效果预览

五、jupyter notebook 创建项目

jupyter notebook 打开配置参见博文：https://blog.csdn.net/u014361280/article/details/110474676

1、打开 jupyter notebook ，新建一个文件夹

2、如有必要重命名文件夹

3、在新建文件夹中，新建一个 python 文件

4、必要的话重命名文件

5、编写代码，点击运行，运行脚本（或者快捷方式：Shift+Enter）

六、入门书写数字识别 demo 实现过程

1、导入必要的python 包，运行

没有报错，说明包没有问题，若有报错，对应检查报名，必要下载缺失的包即可

# 导入训练集
from sklearn import datasets
# 导入算法 svm
from sklearn import svm
# 导入可视化工具
import matplotlib.pyplot as plt
# 导入可以加在图片边处理的工具
from PIL import Image
#导入处理矩阵向量的工具
import numpy as np

2、获取训练数据和训练数据的答案，并且简单测试下数据，记得运行下

# 数据
digits = datasets.load_digits()
# print(digits)
# 查看图片数据（训练的数据）
images_data = digits['images']
print('训练数据个数：', len(images_data))
# 查看图片数据（训练的数据的对应答案）
images_data_target = digits['target']
print('训练数据的应答案个数：', len(images_data_target))

3、测试数据的图片可视化查看，并运行代码

# 数据转为可视化图片
plt.figure(figsize=(30, 15))
# print(images_data[0])
# print("答案：",images_data_target[0])# 循环可视化图片显示 30 个数据
for i in range (30):# 为了让多图显示不被覆盖，设置子图；一个大图中，3行10列显示子图plt.subplot(3,10, i+1)plt.imshow(images_data[i],cmap=plt.cm.gray_r)# 添加对应答案plt.title('target:%s'%(images_data_target[i]))

4、使用SVM算法模型，进行学习，并运行代码

# 使用SVM算法模型，进行学习
classifier = svm.SVC(gamma=0.001)
# fit 开始学习 fit(训练集合，训练集合的对应答案集合)
# 注意输入数据要拉平的，既是一行多列的
images_data = digits['data']
classifier.fit(images_data, images_data_target)

5、训练模型的自测试，并运行代码

# 训练数据自测 (注意输入数据要拉平的，既是一行多列的)
test_x = digits['images'][23].reshape(1, -1)
test_y = digits['target'][23]
print("训练答案：",test_y)
test_predict = classifier.predict(test_x)
print("机器预测答案：",test_predict)

6、读取之前手绘的数据，并做数据处理（以便符合训练数据模型的数据要求），并图片可视化显示，运行代码

# 读取之前手绘的数据
img = Image.open('./7.png').convert("L")
# 显示图片
# img
# 把数据改写成模型训练格式的数据
# 1、创建一个 8x8的矩阵
my_img_data = np.zeros((8,8),dtype=np.int)
# 2、把数据赋值到矩阵中
for i in range(8):for j in range(8):# 注意数据翻转，不然是倒转的my_img_data[i][j] = 255 - img.getpixel((j,i))# 由于模型训练的数据值在0-16之间，所以这里也需要把0-255映射到 0-16my_img_data[i][j] = my_img_data[i][j] * 16 / 255
#查看
print(my_img_data)
# 图片显示
plt.imshow(my_img_data,cmap=plt.cm.gray_r)

7、新的数据测试训练的模型，并得到预测结果，运行代码

# 新的数据测试巡礼的模型
# (注意输入数据要拉平的，既是一行多列的)
my_img_data = my_img_data.reshape(1, -1)
print(my_img_data)
my_img_data_predict = classifier.predict(my_img_data)
print("my_img_data 的答案：7")
print("my_img_data 机器预测的结果：",my_img_data_predict)

七、8 bit 像素工具绘制测试图片

1、百度上搜索8bit像素画，即可找到对应工具

8bit像素画在线会图工具网址：http://www.lizibuluo.com/8bit/

2、工具打开如图

3、绘制一个如图 8x8 宫格的图，数字根据自己需要绘制即可

4、保存绘制的图

5、右键保存选择区域即可

6、保存路径下得到图片

7、修改图片像素，右键画图工具打开

8、重新调整大小，修改像素为 8x8 的

9、保存图片

10、导入工程中，即可相对路径读取使用

最后，感谢一下某院的老师。