记录手写汉字的问题

首先是路径问题,拿到别人的源码模型后对数据的绝对路径进行修改

然后尝试执行后一步步排错 

通过配置文件加载模型的时候需要通过指定的配置名称去加载

然后是编码方式的问题python是没有办法对gbk进行加载的 

UnicodeDecodeError: 'gbk' codec can't decode byte 0xa1 in position 4: illegal multibyte sequence

对于不同的版本有不同的指定utf-8的指定方式因为python只认utf-8

然后继续又报错

 tensorflow.python.framework.errors_impl.NotFoundError: FindFirstFile failed for: /home/tony/ocr/model/93 : ϵͳ\udcd5Ҳ\udcbb\udcb5\udcbdָ\udcb6\udca8\udcb5\udcc4·\udcbe\udcb6\udca1\udca3
; No such process

这个的路径也需要修改

修改之后

又报错

   assert 0, error
AssertionError: 网络构建batch size:32和实际输入batch size:1不一样

 

因为这里的加载数据是把所有的实际数据都加载只有27个所以报错

%05d这是一种数据格式
%nd 输出的整型宽度至少为n位,右对齐,%5d即宽度至少为5位,位数大于5则输出实际位数
%0nd 用得比较多,表示输出的整型宽度至少为n位,不足n位用0填充
printf("%05d",1)输出:00001
printf("%5d",1)输出:****1(*为空格)

 

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于卷积神经网络(CNN)的手写中文汉字识别系统是一种通过训练模型来自动识别手写汉字的技术。它主要由以下几个步骤组成: 1. 数据预处理:首先,需要收集一定数量的手写汉字样本作为训练数据。这些数据会被转换成图像形式,并进行预处理,例如调整图像大小、灰度化、降噪等操作,以提高识别的准确性。 2. 构建CNN模型:接下来,需要构建一个卷积神经网络模型。该模型通常由多层卷积层、池化层和全连接层组成。卷积层用于提取图像特征,池化层用于减少特征图的大小,全连接层用于分类和预测。 3. 训练模型:使用预处理的手写汉字图像作为输入数据,将其与正确的汉字标签进行匹配。通过反向传播算法和优化器,不断调整模型参数,使其能够准确地识别不同的汉字。这个过程被称为训练模型。 4. 模型评估:在训练完成后,需要使用一些未参与训练的手写汉字图像进行测试,以评估模型的性能。一般采用准确率作为评价指标。 5. 应用部署:当模型经过充分训练和测试后,就可以将其部署到实际的应用中。用户可通过手写输入设备输入汉字,系统会将其识别为相应的文字,并进行展示或记录。 基于CNN的手写中文汉字识别系统在实际应用中有着广泛的应用,例如可以用于自动识别手写汉字的输入法、邮政编码识别、签名识别等领域。该系统的准确性和鲁棒性得到了不断的改进和提升,为人们的日常生活提供了便利和效率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值