from keras.datasets import mnist
from keras import utils
import cv2
import numpy as np
#opencv中ANN定義神經網絡層
def create_ANN():
    ann=cv2.ml.ANN_MLP_create()
    #設置神經網絡層的結構 輸入層為784 隱藏層為80 輸出層為10
    ann.setLayerSizes(np.array([784,64,10]))
    #設置網絡參數為誤差反向傳播法
    ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)
    #設置激活函數為sigmoid
    ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)
    #設置訓練迭代條件 
    #結束條件為訓練30次或者誤差小于0.00001
    ann.setTermCriteria((cv2.TermCriteria_EPS|cv2.TermCriteria_COUNT,100,0.0001))
    return ann
#計算測試數據上的識別率
def evaluate_acc(ann,test_images,test_labels):
    #采用的sigmoid激活函數，需要對結果進行置信度處理 
    #對于大于0.99的可以確定為1 對于小于0.01的可以確信為0
    test_ret=ann.predict(test_images)
    #預測結果是一個元組
    test_pre=test_ret[1]
    #可以直接最大值的下標 (10000,)
    test_pre=test_pre.argmax(axis=1)
    true_sum=(test_pre==test_labels)
    return true_sum.mean()
if __name__=='__main__':
    #直接使用Keras載入的訓練數據(60000, 28, 28) (60000,)
    (train_images,train_labels),(test_images,test_labels)=mnist.load_data()
    #變換數據的形狀并歸一化
    train_images=train_images.reshape(train_images.shape[0],-1)#(60000, 784)
    train_images=train_images.astype('float32')/255
    test_images=test_images.reshape(test_images.shape[0],-1)
    test_images=test_images.astype('float32')/255
    #將標簽變為one-hot形狀 (60000, 10) float32
    train_labels=utils.to_categorical(train_labels)
    #測試數據標簽不用變為one-hot (10000,)
    test_labels=test_labels.astype(np.int)
    
    #定義神經網絡模型結構
    ann=create_ANN()
    #開始訓練    
    ann.train(train_images,cv2.ml.ROW_SAMPLE,train_labels)
    #在測試數據上測試準確率
    print(evaluate_acc(ann,test_images,test_labels))
    
    #保存模型
    ann.save('mnist_ann.xml')
    #加載模型
    myann=cv2.ml.ANN_MLP_load('mnist_ann.xml')

import cv2
import numpy as np
if __name__=='__main__':
    #讀取圖片
    img=cv2.imread('shuzi.jpg',0)
    img_sw=img.copy()
    #將數據類型由uint8轉為float32
    img=img.astype(np.float32)
    #圖片形狀由(28,28)轉為(784,)
    img=img.reshape(-1,)
    #增加一個維度變為(1,784)
    img=img.reshape(1,-1)
    #圖片數據歸一化
    img=img/255
    #載入ann模型
    ann=cv2.ml.ANN_MLP_load('minist_ann.xml')
    #進行預測
    img_pre=ann.predict(img)
    #因為激活函數sigmoid，因此要進行置信度處理
    ret=img_pre[1]
    ret[ret>0.9]=1
    ret[ret<0.1]=0
    print(ret)
    cv2.imshow('test',img_sw)
    cv2.waitKey(0)