詳解Python手寫數(shù)字識別模型的構建與使用
更新時間：2022年12月22日 08:31:40 作者：顧城沐心
這篇文章主要為大家詳細介紹了Python中手寫數(shù)字識別模型的構建與使用，文中的示例代碼簡潔易懂，對我們學習Python有一定的幫助，需要的可以參考一下
一：手寫數(shù)字模型構建與保存
1 加載數(shù)據(jù)集
# 1加載數(shù)據(jù) digits_data = load_digits()
可以先簡單查看下 手寫數(shù)字集，如下可以隱約看出數(shù)字為8
plt.imshow(digits_data.images[8]) plt.show()
2 特征數(shù)據(jù) 標簽數(shù)據(jù)
# 數(shù)據(jù)劃分 x_data = digits_data.data y_data = digits_data.target
3 訓練集 測試集
# 訓練集 + 測試集 x_test = x_data[:40] y_test = y_data[:40] x_train = x_data[40:] y_train = y_data[40:] # 概率問題 y_train_2 = np.zeros(shape=(len(y_train), 10))
4 數(shù)據(jù)流圖 輸入層
input_size = digits_data.data.shape[1] # 輸入的列數(shù) # 數(shù)據(jù)流圖的構建 # x:輸入64個特征值--像素 x = tf.placeholder(np.float32, shape=[None, input_size]) # y:識別的數(shù)字 有幾個類別[0-9] y = tf.placeholder(np.float32, shape=[None, 10])
5 隱藏層
5.1 第一層
# 第一層隱藏層 # 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個數(shù)) 標準差是0.1的正態(tài)分布 w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1)) # b的個數(shù)就是隱藏層神經(jīng)元的個數(shù) b1 = tf.Variable(tf.constant(0.01), [80]) # 第一層計算 one = tf.matmul(x, w1) + b1 # 激活函數(shù) 和0比 大于0則激活 op1 = tf.nn.relu(one)
5.2 第二層
# 第二層隱藏層 上一層輸出為下一層輸入 # 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個數(shù)) 標準差是0.1的正態(tài)分布 w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1)) # b的個數(shù)就是隱藏層神經(jīng)元的個數(shù) b2 = tf.Variable(tf.constant(0.01), [10]) # 第一層計算 two = tf.matmul(op1, w2) + b2 # 激活函數(shù) 和0比 大于0則激活 op2 = tf.nn.relu(two)
6 損失函數(shù)
# 構建損失函數(shù) loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
7 梯度下降算法
# 梯度下降算法 Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.005).minimize(loss)
8 輸出損失值
# 變量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
# 開啟會話
with tf.Session() as sess:
sess.run(init)
# 訓練次數(shù)
for i in range(500):
# 數(shù)據(jù)分組
start = (i * 100) % data_size
end = min(start + 100, data_size)
batch_x = x_train[start:end]
batch_y = y_train_2[start:end]
sess.run(Optimizer, feed_dict={x: batch_x, y: batch_y})
# 輸出損失值
train_loss = sess.run(loss, feed_dict={x: batch_x, y: batch_y})
print(train_loss)9 模型 保存與使用
obj = tf.train.Saver()
# 模型保存
obj.save(sess, 'model-digits.ckpt')
10 完整源碼分享
import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 1加載數(shù)據(jù)
digits_data = load_digits()
# 查看數(shù)據(jù)
# print(digits_data)
# 查看數(shù)據(jù)基本特征 (1797, 64) 64:8*8像素點
# print(digits_data.data.shape)
# plt.imshow(digits_data.images[8])
# plt.show()
# 數(shù)據(jù)劃分
x_data = digits_data.data
y_data = digits_data.target
# 訓練集 + 測試集
x_test = x_data[:40]
y_test = y_data[:40]
x_train = x_data[40:]
y_train = y_data[40:]
# 概率問題
y_train_2 = np.zeros(shape=(len(y_train), 10))
# 對應的分類 當前行對應列變成1
for index, row in enumerate(y_train_2):
# 當前行 對應的數(shù)字對應列
row[int(y_train[index])] = 1
# print(y_train_2[0])
input_size = digits_data.data.shape[1] # 輸入的列數(shù)
# 數(shù)據(jù)流圖的構建
# x:輸入64個特征值--像素
x = tf.placeholder(np.float32, shape=[None, input_size])
# y:識別的數(shù)字 有幾個類別[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
# 第一層隱藏層
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個數(shù)) 標準差是0.1的正態(tài)分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的個數(shù)就是隱藏層神經(jīng)元的個數(shù)
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一層計算
one = tf.matmul(x, w1) + b1
# 激活函數(shù) 和0比 大于0則激活
op1 = tf.nn.relu(one)
# 第二層隱藏層 上一層輸出為下一層輸入
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個數(shù)) 標準差是0.1的正態(tài)分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的個數(shù)就是隱藏層神經(jīng)元的個數(shù)
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一層計算
two = tf.matmul(op1, w2) + b2
# 激活函數(shù) 和0比 大于0則激活
op2 = tf.nn.relu(two)
# 構建損失函數(shù)
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
# 梯度下降算法 優(yōu)化器 learning_rate學習率(步長)
Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.005).minimize(loss)
# 變量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
# 開啟會話
with tf.Session() as sess:
sess.run(init)
# 訓練次數(shù)
for i in range(500):
# 數(shù)據(jù)分組
start = (i * 100) % data_size
end = min(start + 100, data_size)
batch_x = x_train[start:end]
batch_y = y_train_2[start:end]
sess.run(Optimizer, feed_dict={x: batch_x, y: batch_y})
# 輸出損失值
train_loss = sess.run(loss, feed_dict={x: batch_x, y: batch_y})
print(train_loss)
obj = tf.train.Saver()
# 模型保存
obj.save(sess, 'modelSave/model-digits.ckpt')損失值在0.303左右，如下圖所示
二：手寫數(shù)字模型使用與測試
對上一步創(chuàng)建的模型，使用測試
import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 1加載數(shù)據(jù)
digits_data = load_digits()
# 數(shù)據(jù)劃分
x_data = digits_data.data
y_data = digits_data.target
# 訓練集 + 測試集
x_test = x_data[:40]
y_test = y_data[:40]
x_train = x_data[40:]
y_train = y_data[40:]
# 概率問題
y_train_2 = np.zeros(shape=(len(y_train), 10))
# 對應的分類 當前行對應列變成1
for index, row in enumerate(y_train_2):
# 當前行 對應的數(shù)字對應列
row[int(y_train[index])] = 1
# 網(wǎng)絡搭建
num_class = 10 # 數(shù)字0-9
hidden_num = 80 # 神經(jīng)元個數(shù)
input_size = digits_data.data.shape[1] # 輸入的列數(shù)
# 數(shù)據(jù)流圖的構建
# x:輸入64個特征值--像素
x = tf.placeholder(np.float32, shape=[None, 64])
# y:識別的數(shù)字 有幾個類別[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
# 第一層隱藏層
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個數(shù)) 標準差是0.1的正態(tài)分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的個數(shù)就是隱藏層神經(jīng)元的個數(shù)
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一層計算
one = tf.matmul(x, w1) + b1
# 激活函數(shù) 和0比 大于0則激活
op1 = tf.nn.relu(one)
# 第二層隱藏層 上一層輸出為下一層輸入
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個數(shù)) 標準差是0.1的正態(tài)分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的個數(shù)就是隱藏層神經(jīng)元的個數(shù)
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一層計算
two = tf.matmul(op1, w2) + b2
# 激活函數(shù) 和0比 大于0則激活
op2 = tf.nn.relu(two)
# 變量初始化
init = tf.global_variables_initializer()
train_count = 500
batch_size = 100
data_size = x_train.shape[0]
pre_max_index = tf.argmax(op2, 1)
plt.imshow(digits_data.images[13]) # 3
plt.show()
with tf.Session() as sess:
sess.run(init)
# 使用網(wǎng)絡
obj = tf.train.Saver()
obj.restore(sess, 'modelSave/model-digits.ckpt')
print(sess.run(op2, feed_dict={x: [x_test[13], x_test[14]]}))
print(sess.run(pre_max_index, feed_dict={x: [x_test[13], x_test[14]]}))想要測試的數(shù)據(jù)，如下圖所示
使用模型測試出來的結果，如下圖所示，模型基本能夠使用
到此這篇關于詳解Python手寫數(shù)字識別模型的構建與使用的文章就介紹到這了,更多相關Python手寫數(shù)字識別模型內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
一文教你如何創(chuàng)建Python虛擬環(huán)境venv
創(chuàng)建?Python?虛擬環(huán)境是一個很好的實踐,可以幫助我們管理項目的依賴項,避免不同項目之間的沖突,下面就跟隨小編一起學習一下如何創(chuàng)建Python虛擬環(huán)境venv吧2024-12-12
最近Python有點火？這篇文章主要為大家分享了7個你現(xiàn)在就該學習Python的理由，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-06-06
本文主要介紹了python 提高性能的方法。具有很好的參考價值，下面跟著小編一起來看下吧2017-03-03
這篇文章主要介紹了python 兩種方法刪除空文件夾，幫助大家更好的利用python處理文件，感興趣的朋友可以了解下2020-09-09
Python調(diào)用ctypes使用C函數(shù)printf的方法
這篇文章主要介紹了Python調(diào)用ctypes使用C函數(shù)printf,需要的朋友可以參考下2017-08-08
這篇文章主要介紹了python zip()的使用示例，幫助大家更好的理解和學習python，感興趣的朋友可以了解下2020-09-09
廣告點擊率是指有多少用戶點擊了您的廣告與有多少用戶查看了您的廣告的比率,本文主要為大家介紹了如何使用Python實現(xiàn)廣告點擊率預測,感興趣的小伙伴可以了解下2023-10-10
這篇文章主要介紹了探究Python的Tornado框架對子域名和泛域名的支持,Tornado作為一個典型的異步框架、在Python開發(fā)者中的人氣相當高,需要的朋友可以參考下2015-05-05
Pytorch使用shuffle打亂數(shù)據(jù)的操作
這篇文章主要介紹了Pytorch使用shuffle打亂數(shù)據(jù)的操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
這篇文章主要介紹了Python分布式進程中你會遇到的問題，本文通過實例代碼給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2019-05-05