Mnist识别模糊手写数字

程序员文章站 2024-01-22 11:24:16

...

文章目录

Mnist识别模糊手写数字

一，导入mnist数据集

1.利用tensorflow下载mnist数据集
2.查看数据集里的内容

二，分析mnist样本特点定义变量
三，构建模型

1.定义学习参数
2.定义输出节点
3.定义反向传播的结构

四，训练模型并输出中间状态参数
五，测试模型
六，保存模型
七，读取模型
八，完整代码

1.验证数据集
2.识别数据集模糊手写数字

Mnist识别模糊手写数字

一，导入mnist数据集

简介mnist数据集（内含网盘数据集）：https://blog.csdn.net/RObot_123/article/details/103220099

手动下载网址（官网）：http://yann.lecun.com/exdb/mnist/
Mnist识别模糊手写数字

1.利用tensorflow下载mnist数据集

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

上面代码能自动下载mnist数据集到代码目录的“MNIST_data”文件夹下

2.查看数据集里的内容

print ('输入数据打印:',mnist.train.images)
print ('输入数据打印shape:',mnist.train.images.shape)

import pylab 
im = mnist.train.images[1]
im = im.reshape(-1,28)
pylab.imshow(im)
pylab.show()


print ('输入数据打印shape:',mnist.test.images.shape)
print ('输入数据打印shape:',mnist.validation.images.shape)

输出信息如下：
Mnist识别模糊手写数字

序号	内容
1	解压数据集
2	打印解压的图片信息
3	打印图片shape
4	显示训练集中的图-序号1
5	打印测试数据集与验证数据shape

有关shape(形状)的介绍：https://blog.csdn.net/RObot_123/article/details/103102627

二，分析mnist样本特点定义变量

占位符
链接
feed机制
链接

因为输入的图片是55000×784个矩阵
所以创建一个**[None,784]的占位符x和一个[None,10]的占位符y**
最后用feed机制将图片和标签输入进去

import tensorflow as tf #导入tensorflow库
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import pylab 

tf.reset_default_graph()
# 定义占位符
x = tf.placeholder(tf.float32, [None, 784]) # mnist data维度长度 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 数字=> 10 种类别

三，构建模型

浅谈Softmax分类
链接

学习参数：权重值（W）和偏置量（b）
在Tensorflow中，使用Variable来定义学习参数

1.定义学习参数

# 定义学习参数
W = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))

2.定义输出节点

使用Sotfmax分类来进行输入数据与模型参数的实际计算

pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax分类

3.定义反向传播的结构

学习率：每次改变学习参数的大小

# 损失函数
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))

#参数设置
learning_rate = 0.01
# 使用梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

四，训练模型并输出中间状态参数

迭代25次后，cost损失值为0.85

training_epochs = 25
batch_size = 100
display_step = 1
saver = tf.train.Saver()
model_path = "log/521model.ckpt"

# 启动session
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())# Initializing OP

    # 启动循环开始训练
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # 遍历全部数据集
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,
                                                          y: batch_ys})
            # Compute average loss
            avg_cost += c / total_batch
        # 显示训练中的详细信息
        if (epoch+1) % display_step == 0:
            print ("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))

    print( " Finished!")

输出信息：
Mnist识别模糊手写数字

五，测试模型

    # 测试 model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # 计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

模型准确率：
Mnist识别模糊手写数字

六，保存模型

首先建立一个saver

saver = tf.train.Saver()
model_path = "log/mnisat_model.ckpt"

调用 save

  	# Save model weights to disk
    save_path = saver.save(sess, model_path)
    print("Model saved in file: %s" % save_path)

输出信息：
Mnist识别模糊手写数字
实际保存状况：

七，读取模型

首先注释掉session会话后的代码，然后将如下代码添加到session里去

#读取模型
print("Starting 2nd session...")
with tf.Session() as sess:
    # Initialize variables
    sess.run(tf.global_variables_initializer())
    # Restore model weights from previously saved model
    saver.restore(sess, model_path)
    
     # 测试 model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # 计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))
    
    output = tf.argmax(pred, 1)
    batch_xs, batch_ys = mnist.train.next_batch(2)
    outputval,predv = sess.run([output,pred], feed_dict={x: batch_xs})
    print(outputval,predv,batch_ys)

    im = batch_xs[0]
    im = im.reshape(-1,28)
    pylab.imshow(im)
    pylab.show()
    
    im = batch_xs[1]
    im = im.reshape(-1,28)
    pylab.imshow(im)
    pylab.show()

Mnist识别模糊手写数字

八，完整代码

1.验证数据集

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

print ('输入数据打印:',mnist.train.images)
print ('输入数据打印shape:',mnist.train.images.shape)

import pylab 
im = mnist.train.images[1]
im = im.reshape(-1,28)
pylab.imshow(im)
pylab.show()
print ('输入数据打印shape:',mnist.test.images.shape)
print ('输入数据打印shape:',mnist.validation.images.shape)

2.识别数据集模糊手写数字

import tensorflow as tf #导入tensorflow库
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import pylab 

tf.reset_default_graph()
# tf Graph Input
x = tf.placeholder(tf.float32, [None, 784]) # mnist data维度 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 数字=> 10 classes

# Set model weights
W = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 构建模型
pred = tf.nn.softmax(tf.matmul(x, W) + b) # Softmax分类

# Minimize error using cross entropy
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))

#参数设置
learning_rate = 0.01
# 使用梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

training_epochs = 25
batch_size = 100
display_step = 1
saver = tf.train.Saver()
model_path = "log/mnist_model.ckpt"

# 启动session
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())# Initializing OP

    # 启动循环开始训练
    for epoch in range(training_epochs):
        avg_cost = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # 遍历全部数据集
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs,
                                                          y: batch_ys})
            # Compute average loss
            avg_cost += c / total_batch
        # 显示训练中的详细信息
        if (epoch+1) % display_step == 0:
            print ("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost))

    print( " Finished!")

    # 测试 model
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    # 计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

    # Save model weights to disk
    save_path = saver.save(sess, model_path)
    print("Model saved in file: %s" % save_path)



##读取模型
#print("Starting 2nd session...")
#with tf.Session() as sess:
#    # Initialize variables
#    sess.run(tf.global_variables_initializer())
#    # Restore model weights from previously saved model
#    saver.restore(sess, model_path)
#    
#     # 测试 model
#    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
#    # 计算准确率
#    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#    print ("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))
#    
#    output = tf.argmax(pred, 1)
#    batch_xs, batch_ys = mnist.train.next_batch(2)
#    outputval,predv = sess.run([output,pred], feed_dict={x: batch_xs})
#    print(outputval,predv,batch_ys)
#
#    im = batch_xs[0]
#    im = im.reshape(-1,28)
#    pylab.imshow(im)
#    pylab.show()
#    
#    im = batch_xs[1]
#    im = im.reshape(-1,28)
#    pylab.imshow(im)
#    pylab.show()

文章尚未完成，先发出自己感受感受????

上一篇：在同一个controller中想在不同action之间传递参数去掉设cookie之外还有什么方法

下一篇：实测在class的function中include的文件中非php的global全局环境

Mnist识别模糊手写数字

文章目录

Mnist识别模糊手写数字

一，导入mnist数据集

1.利用tensorflow下载mnist数据集

2.查看数据集里的内容

二，分析mnist样本特点定义变量

三，构建模型

1.定义学习参数

2.定义输出节点

3.定义反向传播的结构

四，训练模型并输出中间状态参数

五，测试模型

六，保存模型

七，读取模型

八，完整代码

1.验证数据集

2.识别数据集模糊手写数字

Mnist识别模糊手写数字

手写数字识别：Python+BP神经网络

TensorFlow手写数字识别（一）

kaggel_手写数字识别

MLP mnist 手写数字识别

python 手写数字识别封装GUI,手写板获取鼠标写字轨迹信息

Tensorflow之手写数字识别(一)

Python: 机器学习之手写数字识别

caffe应用-01灰度图像分类之手写体数字识别

【机器学习】手写数字识别学习笔记（对三篇文件进行分析记录）

Mnist识别模糊手写数字

文章目录

Mnist识别模糊手写数字

一，导入mnist数据集

1.利用tensorflow下载mnist数据集

2.查看数据集里的内容

二，分析mnist样本特点定义变量

三，构建模型

1.定义学习参数

2.定义输出节点

3.定义反向传播的结构

四，训练模型并输出中间状态参数

五，测试模型

六，保存模型

七，读取模型

八，完整代码

1.验证数据集

2.识别数据集模糊手写数字

Mnist识别模糊手写数字

手写数字识别：Python+BP神经网络

TensorFlow手写数字识别（一）

kaggel_手写数字识别

MLP mnist 手写数字识别

python 手写数字识别 封装GUI,手写板获取鼠标写字轨迹信息

Tensorflow之手写数字识别(一)

Python: 机器学习之手写数字识别

caffe应用-01灰度图像分类之手写体数字识别

【机器学习】手写数字识别学习笔记（对三篇文件进行分析记录）

python 手写数字识别封装GUI,手写板获取鼠标写字轨迹信息