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小进度条显示代码

    Python小进度条显示代码

    今天小编就为大家分享一篇关于Python小进度条显示代码，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧
    2019-03-03
  • python基本算法之实现归并排序(Merge sort)

    python基本算法之实现归并排序(Merge sort)

    这篇文章主要给大家介绍了关于python基本算法之实现归并排序(Merge sort)的相关资料，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2020-09-09
  • 对python中的乘法dot和对应分量相乘multiply详解

    对python中的乘法dot和对应分量相乘multiply详解

    今天小编就为大家分享一篇对python中的乘法dot和对应分量相乘multiply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
    2018-11-11
  • Python学习之二叉树实现的示例详解

    Python学习之二叉树实现的示例详解

    这篇文章主要为大家详细介绍了Python实现二叉树的相关知识，文中的示例代码讲解详细，具有一定的学习价值，感兴趣的小伙伴可以了解一下
    2023-04-04
  • python中的脚本性能分析

    python中的脚本性能分析

    这篇文章主要介绍了python中的脚本性能分析，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
    2022-11-11
  • PyCharm 创建指定版本的 Django（超详图解教程）

    PyCharm 创建指定版本的 Django（超详图解教程）

    这篇文章主要介绍了PyCharm 创建指定版本的 Django，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
    2019-06-06
  • Python FTP两个文件夹间的同步实例代码

    Python FTP两个文件夹间的同步实例代码

    本文通过实例代码给大家介绍了python ftp两个文件夹间的同步，代码简单易懂，非常不错，具有一定的参考借鉴价值，需要的朋友参考下吧
    2018-05-05
  • python使用7z解压软件备份文件脚本分享

    python使用7z解压软件备份文件脚本分享

    这篇文章主要介绍了python使用7z解压软件备份文件脚本,需要的朋友可以参考下
    2014-02-02
  • pycharm console 打印中文为乱码问题及解决

    pycharm console 打印中文为乱码问题及解决

    这篇文章主要介绍了pycharm console 打印中文为乱码问题及解决，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
    2022-11-11
  • python密码学简单替代密码解密及测试教程

    python密码学简单替代密码解密及测试教程

    这篇文章主要介绍了python密码学简单替代密码解密及测试教程，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
    2022-05-05

最新评论