日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

詳解Python手寫數字識別模型的構建與使用_python

作者：顧城沐心 ? 更新時間： 2023-01-26 編程語言

一：手寫數字模型構建與保存

1 加載數據集

# 1加載數據
digits_data = load_digits()

可以先簡單查看下 手寫數字集，如下可以隱約看出數字為8

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

2 特征數據 標簽數據

# 數據劃分
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 數據流圖 輸入層

input_size = digits_data.data.shape[1]  # 輸入的列數
# 數據流圖的構建
# 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1 輸入維度  參數2：輸出維度(神經元個數) 標準差是0.1的正態分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的個數就是隱藏層神經元的個數
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一層計算
one = tf.matmul(x, w1) + b1
# 激活函數  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1 輸入維度  參數2：輸出維度(神經元個數) 標準差是0.1的正態分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的個數就是隱藏層神經元的個數
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一層計算
two = tf.matmul(op1, w2) + b2
# 激活函數  和0比 大于0則激活
op2 = tf.nn.relu(two)

6 損失函數

# 構建損失函數 
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
    for i in range(500):
        # 數據分組
        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加載數據
digits_data = load_digits()
# 查看數據
# print(digits_data)
# 查看數據基本特征 (1797, 64) 64:8*8像素點
# print(digits_data.data.shape)
 
# plt.imshow(digits_data.images[8])
# plt.show()
 
# 數據劃分
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
# 數據流圖的構建
# x:輸入64個特征值--像素
x = tf.placeholder(np.float32, shape=[None, input_size])
# y:識別的數字 有幾個類別[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
 
# 第一層隱藏層
# 參數1 輸入維度  參數2：輸出維度(神經元個數) 標準差是0.1的正態分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的個數就是隱藏層神經元的個數
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一層計算
one = tf.matmul(x, w1) + b1
# 激活函數  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1 輸入維度  參數2：輸出維度(神經元個數) 標準差是0.1的正態分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的個數就是隱藏層神經元的個數
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一層計算
two = tf.matmul(op1, w2) + b2
# 激活函數  和0比 大于0則激活
op2 = tf.nn.relu(two)
 
# 構建損失函數
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
# 梯度下降算法 優化器          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
    for i in range(500):
        # 數據分組
        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：手寫數字模型使用與測試

對上一步創建的模型，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加載數據
digits_data = load_digits()
 
# 數據劃分
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 對應的數字對應列
    row[int(y_train[index])] = 1
 
# 網絡搭建
num_class = 10  # 數字0-9
hidden_num = 80  # 神經元個數
input_size = digits_data.data.shape[1]  # 輸入的列數
# 數據流圖的構建
# x:輸入64個特征值--像素
x = tf.placeholder(np.float32, shape=[None, 64])
# y:識別的數字 有幾個類別[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
 
# 第一層隱藏層
# 參數1 輸入維度  參數2：輸出維度(神經元個數) 標準差是0.1的正態分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的個數就是隱藏層神經元的個數
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一層計算
one = tf.matmul(x, w1) + b1
# 激活函數  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1 輸入維度  參數2：輸出維度(神經元個數) 標準差是0.1的正態分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的個數就是隱藏層神經元的個數
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一層計算
two = tf.matmul(op1, w2) + b2
# 激活函數  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]]}))

想要測試的數據，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

原文鏈接：https://blog.csdn.net/m0_56051805/article/details/128398291

欄目分類
最近更新