Python神經網絡TensorFlow基於CNN卷積識別手寫數字

基礎理論

第一層:卷積層。

第二層:卷積層。

第三層:全連接層。

第四層:輸出層。

圖中原始的手寫數字的圖片是一張 28×28 的圖片,並且是黑白的,所以圖片的通道數是1,輸入數據是 28×28×1 的數據,如果是彩色圖片,圖片的通道數就為 3。
該網絡結構是一個 4 層的卷積神經網絡(計算神經網絡層數的時候,有權值的才算是一層,池化層就不能單獨算一層)(池化的計算是在卷積層中進行的)。
對多張特征圖求卷積,相當於是同時對多張特征圖進行特征提取。

特征圖數量越多說明卷積網絡提取的特征數量越多,如果特征圖數量設置得太少容易出現欠擬合,如果特征圖數量設置得太多容易出現過擬合,所以需要設置為合適的數值。

一、訓練CNN卷積神經網絡

1、載入數據

# 1、載入數據
mnist = tf.keras.datasets.mnist
(train_data, train_target), (test_data, test_target) = mnist.load_data()

2、改變數據維度

註:在TensorFlow中,在做卷積的時候需要把數據變成4維的格式。
這4個維度分別是:數據數量,圖片高度,圖片寬度,圖片通道數。

# 3、歸一化(有助於提升訓練速度)
train_data = train_data/255.0
test_data = test_data/255.0

3、歸一化

# 3、歸一化(有助於提升訓練速度)
train_data = train_data/255.0
test_data = test_data/255.0

4、獨熱編碼

# 4、獨熱編碼
train_target = tf.keras.utils.to_categorical(train_target, num_classes=10)
test_target = tf.keras.utils.to_categorical(test_target, num_classes=10)    #10種結果

5、搭建CNN卷積神經網絡

model = Sequential()

5-1、第一層:第一個卷積層

第一個卷積層:卷積層+池化層。

# 5-1、第一層:卷積層+池化層
# 第一個卷積層
model.add(Convolution2D(input_shape = (28,28,1), filters = 32, kernel_size = 5, strides = 1, padding = 'same', activation = 'relu'))
#         卷積層         輸入數據                  濾波器數量      卷積核大小        步長          填充數據(same padding)  激活函數
# 第一個池化層 # pool_size
model.add(MaxPooling2D(pool_size = 2, strides = 2, padding = 'same',))
#         池化層(最大池化) 池化窗口大小   步長          填充方式

5-2、第二層:第二個卷積層

# 5-2、第二層:卷積層+池化層
# 第二個卷積層
model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu'))
# 64:濾波器個數      5:卷積窗口大小
# 第二個池化層
model.add(MaxPooling2D(2, 2, 'same'))

5-3、扁平化

把(64,7,7,64)數據變成:(64,7*7*64)。

flatten扁平化:

# 5-3、扁平化 (相當於把(64,7,7,64)數據->(64,7*7*64))
model.add(Flatten())

5-4、第三層:第一個全連接層

# 5-4、第三層:第一個全連接層
model.add(Dense(1024,activation = 'relu'))
model.add(Dropout(0.5))

5-5、第四層:第二個全連接層(輸出層)

# 5-5、第四層:第二個全連接層(輸出層)
model.add(Dense(10, activation='softmax'))
# 10:輸出神經元個數

6、編譯

設置優化器、損失函數、標簽。

# 6、編譯
model.compile(optimizer=Adam(lr=1e-4), loss='categorical_crossentropy', metrics=['accuracy'])
#            優化器(adam)               損失函數(交叉熵損失函數)            標簽

7、訓練

# 7、訓練
model.fit(train_data, train_target, batch_size=64, epochs=10, validation_data=(test_data, test_target))

8、保存模型

# 8、保存模型
model.save('mnist.h5')

效果:

Epoch 1/10
938/938 [==============================] – 142s 151ms/step – loss: 0.3319 – accuracy: 0.9055 – val_loss: 0.0895 – val_accuracy: 0.9728
Epoch 2/10
938/938 [==============================] – 158s 169ms/step – loss: 0.0911 – accuracy: 0.9721 – val_loss: 0.0515 – val_accuracy: 0.9830
Epoch 3/10
938/938 [==============================] – 146s 156ms/step – loss: 0.0629 – accuracy: 0.9807 – val_loss: 0.0389 – val_accuracy: 0.9874
Epoch 4/10
938/938 [==============================] – 120s 128ms/step – loss: 0.0498 – accuracy: 0.9848 – val_loss: 0.0337 – val_accuracy: 0.9889
Epoch 5/10
938/938 [==============================] – 119s 127ms/step – loss: 0.0424 – accuracy: 0.9869 – val_loss: 0.0273 – val_accuracy: 0.9898
Epoch 6/10
938/938 [==============================] – 129s 138ms/step – loss: 0.0338 – accuracy: 0.9897 – val_loss: 0.0270 – val_accuracy: 0.9907
Epoch 7/10
938/938 [==============================] – 124s 133ms/step – loss: 0.0302 – accuracy: 0.9904 – val_loss: 0.0234 – val_accuracy: 0.9917
Epoch 8/10
938/938 [==============================] – 132s 140ms/step – loss: 0.0264 – accuracy: 0.9916 – val_loss: 0.0240 – val_accuracy: 0.9913
Epoch 9/10
938/938 [==============================] – 139s 148ms/step – loss: 0.0233 – accuracy: 0.9926 – val_loss: 0.0235 – val_accuracy: 0.9919
Epoch 10/10
938/938 [==============================] – 139s 148ms/step – loss: 0.0208 – accuracy: 0.9937 – val_loss: 0.0215 – val_accuracy: 0.9924

可以發現訓練10次以後,效果達到瞭99%+,還是比較不錯的。

代碼

# 手寫數字識別 -- CNN神經網絡訓練
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
 import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten
from tensorflow.keras.optimizers import Adam
 # 1、載入數據
mnist = tf.keras.datasets.mnist
(train_data, train_target), (test_data, test_target) = mnist.load_data()
# 2、改變數據維度
train_data = train_data.reshape(-1, 28, 28, 1)
test_data = test_data.reshape(-1, 28, 28, 1)
# 註:在TensorFlow中,在做卷積的時候需要把數據變成4維的格式
# 這4個維度分別是:數據數量,圖片高度,圖片寬度,圖片通道數 
# 3、歸一化(有助於提升訓練速度)
train_data = train_data/255.0
test_data = test_data/255.0 
# 4、獨熱編碼
train_target = tf.keras.utils.to_categorical(train_target, num_classes=10)
test_target = tf.keras.utils.to_categorical(test_target, num_classes=10)    #10種結果 
# 5、搭建CNN卷積神經網絡
model = Sequential()
# 5-1、第一層:卷積層+池化層
# 第一個卷積層
model.add(Convolution2D(input_shape = (28,28,1), filters = 32, kernel_size = 5, strides = 1, padding = 'same', activation = 'relu'))
#         卷積層         輸入數據                  濾波器數量      卷積核大小        步長          填充數據(same padding)  激活函數
# 第一個池化層 # pool_size
model.add(MaxPooling2D(pool_size = 2, strides = 2, padding = 'same',))
#         池化層(最大池化) 池化窗口大小   步長          填充方式 
# 5-2、第二層:卷積層+池化層
# 第二個卷積層
model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu'))
# 64:濾波器個數      5:卷積窗口大小
# 第二個池化層
model.add(MaxPooling2D(2, 2, 'same')) 
# 5-3、扁平化 (相當於把(64,7,7,64)數據->(64,7*7*64))
model.add(Flatten()) 
# 5-4、第三層:第一個全連接層
model.add(Dense(1024, activation = 'relu'))
model.add(Dropout(0.5)) 
# 5-5、第四層:第二個全連接層(輸出層)
model.add(Dense(10, activation='softmax'))
# 10:輸出神經元個數 
# 6、編譯
model.compile(optimizer=Adam(lr=1e-4), loss='categorical_crossentropy', metrics=['accuracy'])
#            優化器(adam)               損失函數(交叉熵損失函數)            標簽 
# 7、訓練
model.fit(train_data, train_target, batch_size=64, epochs=10, validation_data=(test_data, test_target)) 
# 8、保存模型
model.save('mnist.h5')

二、識別自己的手寫數字(圖像)

1、載入數據

# 1、載入數據
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

數據集的圖片(之一):

2、載入訓練好的模型

# 2、載入訓練好的模型
model = load_model('mnist.h5')

3、載入自己寫的數字圖片並設置大小

# 3、載入自己寫的數字圖片並設置大小
img = Image.open('6.jpg')
# 設置大小(和數據集的圖片一致)
img = img.resize((28, 28))

4、轉灰度圖

# 4、轉灰度圖
gray = np.array(img.convert('L'))       #.convert('L'):轉灰度圖

可以發現和數據集中的白底黑字差別很大,所以我們把它反轉一下:

5、轉黑底白字、數據歸一化

MNIST數據集中的數據都是黑底白字,且取值在0~1之間。

# 5、轉黑底白字、數據歸一化
gray_inv = (255-gray)/255.0

6、轉四維數據

CNN神經網絡預測需要四維數據。

# 6、轉四維數據(CNN預測需要)
image = gray_inv.reshape((1,28,28,1))

7、預測

# 7、預測
prediction = model.predict(image)           # 預測
prediction = np.argmax(prediction,axis=1)   # 找出最大值
print('預測結果:', prediction)

8、顯示圖像

# 8、顯示
# 設置plt圖表
f, ax = plt.subplots(3, 3, figsize=(7, 7))
# 顯示數據集圖像
ax[0][0].set_title('train_model')
ax[0][0].axis('off')
ax[0][0].imshow(x_train[18], 'gray')
# 顯示原圖
ax[0][1].set_title('img')
ax[0][1].axis('off')
ax[0][1].imshow(img, 'gray')
# 顯示灰度圖(白底黑字)
ax[0][2].set_title('gray')
ax[0][2].axis('off')
ax[0][2].imshow(gray, 'gray')
# 顯示灰度圖(黑底白字)
ax[1][0].set_title('gray')
ax[1][0].axis('off')
ax[1][0].imshow(gray_inv, 'gray')
 
plt.show()

效果展示

代碼

# 識別自己的手寫數字(圖像預測)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf
from tensorflow.keras.models import load_model
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np 
# 1、載入數據
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data() 
# 2、載入訓練好的模型
model = load_model('mnist.h5') 
# 3、載入自己寫的數字圖片並設置大小
img = Image.open('5.jpg')
# 設置大小(和數據集的圖片一致)
img = img.resize((28, 28)) 
# 4、轉灰度圖
gray = np.array(img.convert('L'))       #.convert('L'):轉灰度圖
# 5、轉黑底白字、數據歸一化
gray_inv = (255-gray)/255.0 
# 6、轉四維數據(CNN預測需要)
image = gray_inv.reshape((1,28,28,1)) 
# 7、預測
prediction = model.predict(image)           # 預測
prediction = np.argmax(prediction,axis=1)   # 找出最大值
print('預測結果:', prediction) 
# 8、顯示
# 設置plt圖表
f, ax = plt.subplots(2, 2, figsize=(5, 5))
# 顯示數據集圖像
ax[0][0].set_title('train_model')
ax[0][0].axis('off')
ax[0][0].imshow(x_train[18], 'gray')
# 顯示原圖
ax[0][1].set_title('img')
ax[0][1].axis('off')
ax[0][1].imshow(img, 'gray')
# 顯示灰度圖(白底黑字)
ax[1][0].set_title('gray')
ax[1][0].axis('off')
ax[1][0].imshow(gray, 'gray')
# 顯示灰度圖(黑底白字)
ax[1][1].set_title(f'predict:{prediction}')
ax[1][1].axis('off')
ax[1][1].imshow(gray_inv, 'gray') 
plt.show()

以上就是Python神經網絡TensorFlow基於CNN卷積識別手寫數字的詳細內容,更多關於TensorFlow識別手寫數字的資料請關註WalkonNet其它相關文章!

推薦閱讀: