Python神經(jīng)網(wǎng)絡(luò)TensorFlow基于CNN卷積識(shí)別手寫數(shù)字
基礎(chǔ)理論
第一層：卷積層。
第二層：卷積層。
第三層：全連接層。
第四層：輸出層。
圖中原始的手寫數(shù)字的圖片是一張 28×28 的圖片，并且是黑白的，所以圖片的通道數(shù)是1，輸入數(shù)據(jù)是 28×28×1 的數(shù)據(jù)，如果是彩色圖片，圖片的通道數(shù)就為 3。
該網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè) 4 層的卷積神經(jīng)網(wǎng)絡(luò)（計(jì)算神經(jīng)網(wǎng)絡(luò)層數(shù)的時(shí)候，有權(quán)值的才算是一層，池化層就不能單獨(dú)算一層）（池化的計(jì)算是在卷積層中進(jìn)行的）。
對(duì)多張?zhí)卣鲌D求卷積，相當(dāng)于是同時(shí)對(duì)多張?zhí)卣鲌D進(jìn)行特征提取。
特征圖數(shù)量越多說(shuō)明卷積網(wǎng)絡(luò)提取的特征數(shù)量越多，如果特征圖數(shù)量設(shè)置得太少容易出現(xiàn)欠擬合，如果特征圖數(shù)量設(shè)置得太多容易出現(xiàn)過(guò)擬合，所以需要設(shè)置為合適的數(shù)值。
一、訓(xùn)練CNN卷積神經(jīng)網(wǎng)絡(luò)
1、載入數(shù)據(jù)
# 1、載入數(shù)據(jù) mnist = tf.keras.datasets.mnist (train_data, train_target), (test_data, test_target) = mnist.load_data()
2、改變數(shù)據(jù)維度
注：在TensorFlow中，在做卷積的時(shí)候需要把數(shù)據(jù)變成4維的格式。
這4個(gè)維度分別是：數(shù)據(jù)數(shù)量，圖片高度，圖片寬度，圖片通道數(shù)。
# 3、歸一化（有助于提升訓(xùn)練速度） train_data = train_data/255.0 test_data = test_data/255.0
3、歸一化
# 3、歸一化（有助于提升訓(xùn)練速度） train_data = train_data/255.0 test_data = test_data/255.0
4、獨(dú)熱編碼
# 4、獨(dú)熱編碼 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種結(jié)果
5、搭建CNN卷積神經(jīng)網(wǎng)絡(luò)
model = Sequential()
5-1、第一層：第一個(gè)卷積層
第一個(gè)卷積層：卷積層+池化層。
# 5-1、第一層：卷積層+池化層 # 第一個(gè)卷積層 model.add(Convolution2D(input_shape = (28,28,1), filters = 32, kernel_size = 5, strides = 1, padding = 'same', activation = 'relu')) # 卷積層 輸入數(shù)據(jù) 濾波器數(shù)量 卷積核大小 步長(zhǎng) 填充數(shù)據(jù)(same padding) 激活函數(shù) # 第一個(gè)池化層 # pool_size model.add(MaxPooling2D(pool_size = 2, strides = 2, padding = 'same',)) # 池化層(最大池化) 池化窗口大小 步長(zhǎng) 填充方式
5-2、第二層：第二個(gè)卷積層
# 5-2、第二層：卷積層+池化層 # 第二個(gè)卷積層 model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu')) # 64:濾波器個(gè)數(shù) 5:卷積窗口大小 # 第二個(gè)池化層 model.add(MaxPooling2D(2, 2, 'same'))
5-3、扁平化
把(64,7,7,64)數(shù)據(jù)變成：(64,7*7*64)。
flatten扁平化：
# 5-3、扁平化 （相當(dāng)于把(64,7,7,64)數(shù)據(jù)->(64,7*7*64)） model.add(Flatten())
5-4、第三層：第一個(gè)全連接層
# 5-4、第三層：第一個(gè)全連接層
model.add(Dense(1024,activation = 'relu'))
model.add(Dropout(0.5))
5-5、第四層：第二個(gè)全連接層（輸出層）
# 5-5、第四層：第二個(gè)全連接層（輸出層） model.add(Dense(10, activation='softmax')) # 10：輸出神經(jīng)元個(gè)數(shù)
6、編譯
設(shè)置優(yōu)化器、損失函數(shù)、標(biāo)簽。
# 6、編譯 model.compile(optimizer=Adam(lr=1e-4), loss='categorical_crossentropy', metrics=['accuracy']) # 優(yōu)化器(adam) 損失函數(shù)(交叉熵?fù)p失函數(shù)) 標(biāo)簽
7、訓(xùn)練
# 7、訓(xùn)練 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
可以發(fā)現(xiàn)訓(xùn)練10次以后，效果達(dá)到了99%+，還是比較不錯(cuò)的。
代碼
# 手寫數(shù)字識(shí)別 -- CNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練
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、載入數(shù)據(jù)
mnist = tf.keras.datasets.mnist
(train_data, train_target), (test_data, test_target) = mnist.load_data()
# 2、改變數(shù)據(jù)維度
train_data = train_data.reshape(-1, 28, 28, 1)
test_data = test_data.reshape(-1, 28, 28, 1)
# 注：在TensorFlow中，在做卷積的時(shí)候需要把數(shù)據(jù)變成4維的格式
# 這4個(gè)維度分別是：數(shù)據(jù)數(shù)量，圖片高度，圖片寬度，圖片通道數(shù)
# 3、歸一化（有助于提升訓(xùn)練速度）
train_data = train_data/255.0
test_data = test_data/255.0
# 4、獨(dú)熱編碼
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種結(jié)果
# 5、搭建CNN卷積神經(jīng)網(wǎng)絡(luò)
model = Sequential()
# 5-1、第一層：卷積層+池化層
# 第一個(gè)卷積層
model.add(Convolution2D(input_shape = (28,28,1), filters = 32, kernel_size = 5, strides = 1, padding = 'same', activation = 'relu'))
# 卷積層 輸入數(shù)據(jù) 濾波器數(shù)量 卷積核大小 步長(zhǎng) 填充數(shù)據(jù)(same padding) 激活函數(shù)
# 第一個(gè)池化層 # pool_size
model.add(MaxPooling2D(pool_size = 2, strides = 2, padding = 'same',))
# 池化層(最大池化) 池化窗口大小 步長(zhǎng) 填充方式
# 5-2、第二層：卷積層+池化層
# 第二個(gè)卷積層
model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu'))
# 64:濾波器個(gè)數(shù) 5:卷積窗口大小
# 第二個(gè)池化層
model.add(MaxPooling2D(2, 2, 'same'))
# 5-3、扁平化 （相當(dāng)于把(64,7,7,64)數(shù)據(jù)->(64,7*7*64)）
model.add(Flatten())
# 5-4、第三層：第一個(gè)全連接層
model.add(Dense(1024, activation = 'relu'))
model.add(Dropout(0.5))
# 5-5、第四層：第二個(gè)全連接層（輸出層）
model.add(Dense(10, activation='softmax'))
# 10：輸出神經(jīng)元個(gè)數(shù)
# 6、編譯
model.compile(optimizer=Adam(lr=1e-4), loss='categorical_crossentropy', metrics=['accuracy'])
# 優(yōu)化器(adam) 損失函數(shù)(交叉熵?fù)p失函數(shù)) 標(biāo)簽
# 7、訓(xùn)練
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、識(shí)別自己的手寫數(shù)字（圖像）
1、載入數(shù)據(jù)
# 1、載入數(shù)據(jù) mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data()
數(shù)據(jù)集的圖片（之一）：
2、載入訓(xùn)練好的模型
# 2、載入訓(xùn)練好的模型
model = load_model('mnist.h5')
3、載入自己寫的數(shù)字圖片并設(shè)置大小
# 3、載入自己寫的數(shù)字圖片并設(shè)置大小
img = Image.open('6.jpg')
# 設(shè)置大?。ê蛿?shù)據(jù)集的圖片一致）
img = img.resize((28, 28))
4、轉(zhuǎn)灰度圖
# 4、轉(zhuǎn)灰度圖
gray = np.array(img.convert('L')) #.convert('L')：轉(zhuǎn)灰度圖
可以發(fā)現(xiàn)和數(shù)據(jù)集中的白底黑字差別很大，所以我們把它反轉(zhuǎn)一下：
5、轉(zhuǎn)黑底白字、數(shù)據(jù)歸一化
MNIST數(shù)據(jù)集中的數(shù)據(jù)都是黑底白字，且取值在0~1之間。
# 5、轉(zhuǎn)黑底白字、數(shù)據(jù)歸一化 gray_inv = (255-gray)/255.0
6、轉(zhuǎn)四維數(shù)據(jù)
CNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)需要四維數(shù)據(jù)。
# 6、轉(zhuǎn)四維數(shù)據(jù)（CNN預(yù)測(cè)需要） image = gray_inv.reshape((1,28,28,1))
7、預(yù)測(cè)
# 7、預(yù)測(cè)
prediction = model.predict(image) # 預(yù)測(cè)
prediction = np.argmax(prediction,axis=1) # 找出最大值
print('預(yù)測(cè)結(jié)果：', prediction)
8、顯示圖像
# 8、顯示
# 設(shè)置plt圖表
f, ax = plt.subplots(3, 3, figsize=(7, 7))
# 顯示數(shù)據(jù)集圖像
ax[0][0].set_title('train_model')
ax[0][0].axis('off')
ax[0][0].imshow(x_train[18], 'gray')
# 顯示原圖
ax[0][1].set_title('img')
ax[0][1].axis('off')
ax[0][1].imshow(img, 'gray')
# 顯示灰度圖（白底黑字）
ax[0][2].set_title('gray')
ax[0][2].axis('off')
ax[0][2].imshow(gray, 'gray')
# 顯示灰度圖（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
代碼
# 識(shí)別自己的手寫數(shù)字（圖像預(yù)測(cè)）
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、載入數(shù)據(jù)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 2、載入訓(xùn)練好的模型
model = load_model('mnist.h5')
# 3、載入自己寫的數(shù)字圖片并設(shè)置大小
img = Image.open('5.jpg')
# 設(shè)置大?。ê蛿?shù)據(jù)集的圖片一致）
img = img.resize((28, 28))
# 4、轉(zhuǎn)灰度圖
gray = np.array(img.convert('L')) #.convert('L')：轉(zhuǎn)灰度圖
# 5、轉(zhuǎn)黑底白字、數(shù)據(jù)歸一化
gray_inv = (255-gray)/255.0
# 6、轉(zhuǎn)四維數(shù)據(jù)（CNN預(yù)測(cè)需要）
image = gray_inv.reshape((1,28,28,1))
# 7、預(yù)測(cè)
prediction = model.predict(image) # 預(yù)測(cè)
prediction = np.argmax(prediction,axis=1) # 找出最大值
print('預(yù)測(cè)結(jié)果：', prediction)
# 8、顯示
# 設(shè)置plt圖表
f, ax = plt.subplots(2, 2, figsize=(5, 5))
# 顯示數(shù)據(jù)集圖像
ax[0][0].set_title('train_model')
ax[0][0].axis('off')
ax[0][0].imshow(x_train[18], 'gray')
# 顯示原圖
ax[0][1].set_title('img')
ax[0][1].axis('off')
ax[0][1].imshow(img, 'gray')
# 顯示灰度圖（白底黑字）
ax[1][0].set_title('gray')
ax[1][0].axis('off')
ax[1][0].imshow(gray, 'gray')
# 顯示灰度圖（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()
以上就是Python神經(jīng)網(wǎng)絡(luò)TensorFlow基于CNN卷積識(shí)別手寫數(shù)字的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow識(shí)別手寫數(shù)字的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
- Python?CNN卷積神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)教程深入講解
- python人工智能tensorflow構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN
- Python人工智能深度學(xué)習(xí)CNN
- Python中人臉圖像特征提取方法(HOG、Dlib、CNN)簡(jiǎn)述
- Python搭建Keras CNN模型破解網(wǎng)站驗(yàn)證碼的實(shí)現(xiàn)
- Python實(shí)現(xiàn)CNN的多通道輸入實(shí)例
- Python+Tensorflow+CNN實(shí)現(xiàn)車牌識(shí)別的示例代碼
- 使用Python OpenCV為CNN增加圖像樣本的實(shí)現(xiàn)
- Python與CNN的碰撞詳解
相關(guān)文章
淺談Pytorch 定義的網(wǎng)絡(luò)結(jié)構(gòu)層能否重復(fù)使用
這篇文章主要介紹了Pytorch定義的網(wǎng)絡(luò)結(jié)構(gòu)層能否重復(fù)使用的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-06-06
python3+PyQt5實(shí)現(xiàn)使用剪貼板做復(fù)制與粘帖示例
本篇文章主要介紹了python3+PyQt5實(shí)現(xiàn)使用剪貼板做復(fù)制與粘帖示例，具有一定的參考價(jià)值，有興趣的可以了解一下。2017-01-01
Python?OpenCV實(shí)現(xiàn)圖像增強(qiáng)操作詳解
由于很多不確定因素，導(dǎo)致圖像采集的光環(huán)境極其復(fù)雜；為了提高目標(biāo)檢測(cè)模型的泛化能力，本文將使用python中的opencv模塊實(shí)現(xiàn)常見的圖像增強(qiáng)方法，感興趣的可以了解一下2022-10-10
Pandas中八個(gè)常用option設(shè)置的示例詳解
通過(guò)pandas的使用，我們經(jīng)常要交互式地展示表格（dataframe）、分析表格。本文整理了8個(gè)常用的配置選項(xiàng)，使用可以提高很多效率，需要的可以參考一下2022-06-06
這篇文章主要通過(guò)一些簡(jiǎn)單的示例為大家介紹一下Python中遍歷字典的鍵和值的相關(guān)知識(shí)，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以了解一下2023-03-03
Python設(shè)計(jì)模式之工廠模式簡(jiǎn)單示例
這篇文章主要介紹了Python設(shè)計(jì)模式之工廠模式,簡(jiǎn)單說(shuō)明了工廠模式的原理,并結(jié)合實(shí)例形式給出了Python實(shí)現(xiàn)工廠模式的具體操作技巧,需要的朋友可以參考下2018-01-01
Python使用itchat模塊實(shí)現(xiàn)簡(jiǎn)單的微信控制電腦功能示例
這篇文章主要介紹了Python使用itchat模塊實(shí)現(xiàn)簡(jiǎn)單的微信控制電腦功能,結(jié)合實(shí)例形式分析了Python基于itchat模塊控制電腦實(shí)現(xiàn)運(yùn)行程序、截圖等相關(guān)操作技巧,需要的朋友可以參考下2019-08-08
Python關(guān)于拓?fù)渑判蛑R(shí)點(diǎn)講解
在本篇文章里小編給大家分享了一篇關(guān)于Python關(guān)于拓?fù)渑判蛑R(shí)點(diǎn)講解內(nèi)容，有興趣的朋友們可以學(xué)習(xí)下。2021-01-01
yield的作用就是把一個(gè)函數(shù)變成一個(gè) generator，帶有 yield 的函數(shù)不再是一個(gè)普通函數(shù)，Python 解釋器會(huì)將其視為一個(gè) generator（不知道什么是generator要先去理解一下Python的generator的了）2014-04-04
這篇文章主要為大家詳細(xì)介紹了Python中德勞內(nèi)三角剖分的相關(guān)知識(shí)，文中的示例代碼講解詳細(xì)，具有一定的學(xué)習(xí)價(jià)值，感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2023-04-04