基于keras框架的MobileNet深度学习神经网络手写字体识别分类系统源码

AI街潜水的八角

已于 2024-01-09 17:45:24 修改

阅读量479

点赞数 11

分类专栏：分类实战文章标签： keras 神经网络分类

于 2023-11-28 10:38:21 首次发布

本文链接：https://blog.csdn.net/m0_59023219/article/details/134660576

版权

分类实战专栏收录该内容

33 篇文章 2 订阅

订阅专栏

文章介绍了如何使用MobileNet构建一个手写字体识别模型，包括数据准备（84022张手写字体图片），模型架构调整，训练过程（交叉熵损失，可训练/预训练模型），以及搭建GUI界面以展示结果。最终模型在测试中达到96.9%的正确率。

摘要由CSDN通过智能技术生成

第一步：准备数据

20种手写字体数据：王羲之，颜真卿，柳公权，孙过庭，沙孟海，米芾，黄庭坚，欧阳询，赵孟頫，褚遂良，文征明，梁秋生，于右任，弘一，八大山人，范文强，管峻，宋徽宗，毛泽东，鲁迅，总共有84022张图片，每个文件夹单独放一种手写字体

第二步：搭建模型

本文选择MobileNet，其网络结构如下：

由于是二十分类问题，直接套用网络肯定是不行，因此会在全连接部分做手脚，参考代码如下：

    x = base_model.output
    x = GlobalAveragePooling2D()(x)
    x = Dense(256)(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = Dense(64)(x)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    x = Dense(class_num)(x)
    predictions = Activation('softmax')(x)

    # for layer in base_model.layers:
    #     layer.trainable = True

    model = Model(inputs=base_model.input, outputs=predictions)
    return model

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）MobileNet可以从头训练或者利用预训练模型进行训练：

def MobileNet_model(width, height, class_num):
    w = 1
    if w:
        base_model = MobileNet(weights='imagenet', include_top=False, input_shape=(width, height, 3))
    else:
        base_model = MobileNet(weights=None, include_top=False, input_shape=(width, height, 3))
    for layer in base_model.layers:
        layer.trainable = True

第四步：统计正确率

MobileNet_logep024-accuracy0.967-val_accuracy0.969.h5正确率高达96.9%

第五步：搭建GUI界面