神经⽹络初识——MINIST⼿写数字识别（可视化输出结果）⼿写数字识别是每个学习神经⽹络的⼈上⼿操作的必由之路，今天在前⼈肩膀上做了些⼩⼩的尝试。 话不多说，开始~
1.导⼊相关模块数据包（需提前配置tenseorflow模块） 在tenseorflow模块中内置了MNIST数据集，其中测试集包含60000条数据，验证集包含10000条数据。导⼊模块和数据集的操作如下（已经提前下载好数据集，并放在指定⽬录下）：
import tensorflow as tf
import urllib
from ist import input_data
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image, ImageFilter
mnist = ad_data_sets("MNIST_data/", one_hot = True)
输出结果：
Extracting MNIST_
Extracting MNIST_
Extracting MNIST_
Extracting MNIST_
2.模型的建⽴过程
#建⽴BP神经⽹络模型
num_classes = 10#数据类型0-9
input_size = 784#28*28
hidden_units_size = 30#层节点数
batch_size = 100#
training_iterations = 50000#迭代次数
# 设置变量
X = tf.placeholder (tf.float32, shape = [None, input_size])
Y = tf.placeholder (tf.float32, shape = [None, num_classes])
W1 = tf.Variable (tf.random_normal ([input_size, hidden_units_size],
stddev = 0.1))#hidden_units_size = 30#正态分布随机数
B1 = tf.Variable (tf.constant (0.1),
[hidden_units_size])#常数为1，形状为（1,1）
W2 = tf.Variable (tf.random_normal ([hidden_units_size,
num_classes], stddev = 0.1))#正态分布随机数
B2 = tf.Variable (tf.constant (0.1), [num_classes])
# 搭建计算⽹络使⽤ relu 函数作为激励函数这个函数就是 y = max (0,x) 的⼀个类似线性函数拟合程度还是不错的 # 使⽤交叉熵损失函数这是分类问题例如：神经⽹络对率回归经常使⽤的⼀个损失函数
#第1层神经⽹络
hidden_opt = tf.matmul (X, W1) + B1#矩阵运算
hidden_opt = lu (hidden_opt)#激活函数
#第2层神经⽹络
final_opt = tf.matmul (hidden_opt, W2) + B2#矩阵运算
final_opt = lu (final_opt)#激活函数，最终的输出结果
loss = tf.reduce_mean (
opt = tf.train.GradientDescentOptimizer (0.1).minimize (loss)
init = tf.global_variables_initializer ()#全局变量初始化
correct_prediction = tf.equal (tf.argmax (Y, 1), tf.argmax (final_opt, 1))
accuracy = tf.reduce_mean (tf.cast (correct_prediction, 'float'))#将张量转化成float
3. 模型的训练以及预测结果
# 进⾏计算打印正确率
sess = tf.Session ()#⽣成能进⾏TensorFlow计算的类
sess.run (init)
for i in range (training_iterations) :
batch = _batch (batch_size)#每次迭代选⽤的样本数100
batch_input = batch[0]
batch_labels = batch[1]
training_loss = sess.run ([opt, loss], feed_dict = {X: batch_input, Y: batch_labels})
if (i+1) % 10000 == 0 :
train_accuracy = accuracy.eval (session = sess, feed_dict = {X: batch_input,Y: batch_labels})
print ("step : %d, training accuracy = %g " % (i+1, train_accuracy))
输出结果为：
step : 10000, training accuracy = 0.98
step : 20000, training accuracy = 0.98
step : 30000, training accuracy = 1
step : 40000, training accuracy = 1
step : 50000, training accuracy = 1
===========================================================================================
下⾯开始搞事情~
4.预测结果的可视化展⽰：
###测试集输出结果可视化
def res_Visual(n):
#sess=tf.Session()
#sess.run(tf.global_variables_initializer())
final_opt_a=tf.argmax (final_opt, 1).eval(session=sess,feed_dict = {X: st.images,Y: st.labels})
fig, ax = plt.subplots(nrows=int(n/5),ncols=5 )
ax = ax.flatten()
print('前{}张图⽚预测结果为：'.format(n))
for i in range(n):
print(final_opt_a[i],end=',')
if int((i+1)%5) ==0:
print('\t')
#图⽚可视化展⽰
img = st.images[i].reshape((28,28))#读取每⾏数据，格式为Ndarry
ax[i].imshow(img, cmap='Greys', interpolation='nearest')#可视化
print('测试集前{}张图⽚为：'.format(n))
res_Visual(20)
输出结果：
前20张图⽚预测结果为：
7,2,1,0,4,
1,4,9,6,9,
0,6,9,0,1,
5,9,7,3,4,
测试集前20张图⽚为：
我们可以看到，预测结果前20个结果和原本的标签符合的很好，说明模型训练的很好。那现在如果我想试⼀下⾃⼰⼿写的数字能不能被正确识别呢？于是我⽤写字板写了0~9共10个数字，让模型去识别，⾸先要将图⽚数值化。
5.⼿写数字的数值化操作
#验证⾃⼰⼿写图⽚的识别效果
#导⼊图⽚，⼆值化，并输出模型可识别的格式
def image_to_number(n):
from PIL import Image
import numpy as np
fig, ax = plt.subplots(nrows=int(n/5),ncols=5 )
ax = ax.flatten()
image_test = []
label_test = np.zeros((n,10))#⼿写图⽚的lebel
for i in range(n):
label_test[i][i] =1#将（0,0）（1,1）等位置赋值为1
line = []
数字模型img = Image.open("{}.png".format(i)) # 打开⼀个图⽚，并返回图⽚对象
img = vert('L') # 转换为灰度，img.show()可查看图⽚
img = size((28,28)) # 将图⽚重新以（w,h）尺⼨存储
for y in range(28):
for x in range(28):
line.append((pixel((x,y)))/255)# getpixel 获取该位置的像素信息
image_test.append(line)#存储像素点信息
line = np.array(line)#转化为np.array
ax[i].shape(28,28), cmap='Greys', interpolation='nearest')
#plt.shape(28,28), cmap='Greys')#显⽰图⽚，imshow能够将数字转换为灰度显⽰出图像
image_test = np.array(image_test)
return image_test,label_test
image_test,label_test = image_to_number(10)
输出结果：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议