脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → Python手写数字识别模型

详解Python手写数字识别模型的构建与使用

 更新时间：2022年12月22日 08:31:40   作者：顾城沐心  
这篇文章主要为大家详细介绍了Python中手写数字识别模型的构建与使用，文中的示例代码简洁易懂，对我们学习Python有一定的帮助，需要的可以参考一下

一：手写数字模型构建与保存

1 加载数据集

# 1加载数据
digits_data = load_digits()

可以先简单查看下 手写数字集，如下可以隐约看出数字为8

plt.imshow(digits_data.images[8])
plt.show()

2 特征数据 标签数据

# 数据划分
x_data = digits_data.data
y_data = digits_data.target

3 训练集 测试集

# 训练集 + 测试集
x_test = x_data[:40]
y_test = y_data[:40]
 
x_train = x_data[40:]
y_train = y_data[40:]
# 概率问题
y_train_2 = np.zeros(shape=(len(y_train), 10))

4 数据流图 输入层

input_size = digits_data.data.shape[1]  # 输入的列数
# 数据流图的构建
# x:输入64个特征值--像素
x = tf.placeholder(np.float32, shape=[None, input_size])
# y:识别的数字 有几个类别[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])

5 隐藏层

5.1 第一层

# 第一层隐藏层
# 参数1 输入维度  参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一层计算
one = tf.matmul(x, w1) + b1
# 激活函数  和0比 大于0则激活
op1 = tf.nn.relu(one)

5.2 第二层

# 第二层隐藏层  上一层输出为下一层输入
# 参数1 输入维度  参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一层计算
two = tf.matmul(op1, w2) + b2
# 激活函数  和0比 大于0则激活
op2 = tf.nn.relu(two)

6 损失函数

# 构建损失函数 
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 输出损失值 

# 变量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
 
# 开启会话
with tf.Session() as sess:
    sess.run(init)
    # 训练次数
    for i in range(500):
        # 数据分组
        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})
        # 输出损失值
        train_loss = sess.run(loss, feed_dict={x: batch_x, y: batch_y})
        print(train_loss)

9 模型 保存与使用

    obj = tf.train.Saver()
    # 模型保存
    obj.save(sess, 'model-digits.ckpt')

10 完整源码分享

import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
 
# 1加载数据
digits_data = load_digits()
# 查看数据
# print(digits_data)
# 查看数据基本特征 (1797, 64) 64:8*8像素点
# print(digits_data.data.shape)
 
# plt.imshow(digits_data.images[8])
# plt.show()
 
# 数据划分
x_data = digits_data.data
y_data = digits_data.target
 
# 训练集 + 测试集
x_test = x_data[:40]
y_test = y_data[:40]
 
x_train = x_data[40:]
y_train = y_data[40:]
# 概率问题
y_train_2 = np.zeros(shape=(len(y_train), 10))
 
# 对应的分类 当前行对应列变成1
for index, row in enumerate(y_train_2):
    # 当前行 对应的数字对应列
    row[int(y_train[index])] = 1
# print(y_train_2[0])
 
input_size = digits_data.data.shape[1]  # 输入的列数
# 数据流图的构建
# x:输入64个特征值--像素
x = tf.placeholder(np.float32, shape=[None, input_size])
# y:识别的数字 有几个类别[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
 
# 第一层隐藏层
# 参数1 输入维度  参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一层计算
one = tf.matmul(x, w1) + b1
# 激活函数  和0比 大于0则激活
op1 = tf.nn.relu(one)
 
# 第二层隐藏层  上一层输出为下一层输入
# 参数1 输入维度  参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一层计算
two = tf.matmul(op1, w2) + b2
# 激活函数  和0比 大于0则激活
op2 = tf.nn.relu(two)
 
# 构建损失函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
# 梯度下降算法 优化器          learning_rate学习率(步长)
Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.005).minimize(loss)
 
# 变量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
 
# 开启会话
with tf.Session() as sess:
    sess.run(init)
    # 训练次数
    for i in range(500):
        # 数据分组
        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})
        # 输出损失值
        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')

 损失值在0.303左右，如下图所示

二：手写数字模型使用与测试

对上一步创建的模型，使用测试

import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
 
# 1加载数据
digits_data = load_digits()
 
# 数据划分
x_data = digits_data.data
y_data = digits_data.target
 
# 训练集 + 测试集
x_test = x_data[:40]
y_test = y_data[:40]
 
x_train = x_data[40:]
y_train = y_data[40:]
# 概率问题
y_train_2 = np.zeros(shape=(len(y_train), 10))
 
# 对应的分类 当前行对应列变成1
for index, row in enumerate(y_train_2):
    # 当前行 对应的数字对应列
    row[int(y_train[index])] = 1
 
# 网络搭建
num_class = 10  # 数字0-9
hidden_num = 80  # 神经元个数
input_size = digits_data.data.shape[1]  # 输入的列数
# 数据流图的构建
# x:输入64个特征值--像素
x = tf.placeholder(np.float32, shape=[None, 64])
# y:识别的数字 有几个类别[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
 
# 第一层隐藏层
# 参数1 输入维度  参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一层计算
one = tf.matmul(x, w1) + b1
# 激活函数  和0比 大于0则激活
op1 = tf.nn.relu(one)
 
# 第二层隐藏层  上一层输出为下一层输入
# 参数1 输入维度  参数2：输出维度(神经元个数) 标准差是0.1的正态分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的个数就是隐藏层神经元的个数
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一层计算
two = tf.matmul(op1, w2) + b2
# 激活函数  和0比 大于0则激活
op2 = tf.nn.relu(two)
 
# 变量初始化
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)
    # 使用网络
    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]]}))

想要测试的数据，如下图所示

使用模型测试出来的结果，如下图所示，模型基本能够使用

到此这篇关于详解Python手写数字识别模型的构建与使用的文章就介绍到这了,更多相关Python手写数字识别模型内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

相关文章

  • python实现微信防撤回神器

    python实现微信防撤回神器

    这篇文章主要为大家详细介绍了python实现微信防撤回神器，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2019-04-04
  • Python网络爬虫项目：内容提取器的定义

    Python网络爬虫项目：内容提取器的定义

    本篇文章主要介绍了Python网络爬虫项目，这能有效的节省程序员的时间，具有一定的参考价值，感兴趣的小伙伴们可以参考一下。
    2016-10-10
  • Python Flask前端自动登录功能实现详解

    Python Flask前端自动登录功能实现详解

    这篇文章主要介绍了Python Flask前端自动登录功能实现，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2022-10-10
  • Flask 数据库集成的介绍

    Flask 数据库集成的介绍

    这篇文章主要给大家分享了Flask 数据库集成的介绍，数据库是大多数 Web 应用的基础设施，只要想把数据存储下来，就离不开数据库，下面将一起学习一下如何给 Flask 应用添加数据库支持。下面详细内容,需要的朋友可以参考一下
    2021-11-11
  • PyQt与pycharm的结合使用教程

    PyQt与pycharm的结合使用教程

    这篇文章主要介绍了PyQt的使用与pycharm的结合,主要包括环境安装，本文结合实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2023-05-05
  • Django中间件工作流程及写法实例代码

    Django中间件工作流程及写法实例代码

    这篇文章主要介绍了Django中间件工作流程及写法实例代码，分享了相关代码示例，小编觉得还是挺不错的，具有一定借鉴价值，需要的朋友可以参考下
    2018-02-02
  • 编写同时兼容Python2.x与Python3.x版本的代码的几个示例

    编写同时兼容Python2.x与Python3.x版本的代码的几个示例

    这篇文章主要介绍了编写同时兼容Python2.x与Python3.x版本的代码的几个示例,在Python2.7.x的更新中由于采用了某些Python3中的代码编写特性、使得在有些原本不同之处编写兼容性代码成为可能，需要的朋友可以参考下
    2015-03-03
  • pytorch使用nn.Moudle实现逻辑回归

    pytorch使用nn.Moudle实现逻辑回归

    这篇文章主要为大家详细介绍了pytorch使用nn.Moudle实现逻辑回归，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2022-07-07
  • 详解Python中对Excel的处理操作

    详解Python中对Excel的处理操作

    Excel是一种常见的电子表格文件格式，广泛用于数据记录和处理，Python提供了多个第三方库，可以方便地对Excel操作，下面就来和大家详细讲讲吧
    2023-07-07
  • opencv3/C++图像像素操作详解

    opencv3/C++图像像素操作详解

    今天小编就为大家分享一篇opencv3/C++图像像素操作详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2019-12-12

最新评论