用keras实现3层BP网络的训练、保存、加载和导入自己手写的数字进行测试

       这段时间在学习Tensorflow,刚刚认识到基于tensorflow的高级框架keras,为我们提供了很方便的网络搭建、训练,模型保存和加载的操作。

于是一直跃跃欲试的我,用它训练了一个3层的BP神经网络,然后自己手绘了一张图片,通过Opencv和numpy的一些处理手段之后,编程网络可以输入的1x784的格式后,输入网络进行测试,结果可喜可贺,终于是我写的什么,就被识别为什么了,那么接下来跟大家分享一下代码:

注意不仅仅安装了tensorflow和Python3.5就可以跑了哦,还需要keras的包,opencv的包,具体的操作都是用pip来安装的:

pip install keras

pip install opencv-contrib-python


整个代码分为两个.py文件,一个是用来训练和保存模型的(keras_mnist_test.py),另一个是用来导入训练好的模型和测试图片去测试的(load_predict.py),大家也可以自己制作一些手写数字图片放进去测试


keras_mnist_test.py内容如下:

import os
from tensorflow.examples.tutorials.mnist import *
from keras.models import *
from keras.layers import *

# 屏蔽waring信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

"""----------加载mnist数据集-------------"""
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels


"""----------配置网络模型----------------"""
# 配置网络结构
model=Sequential()

# 第一隐藏层的配置:输入784,输出100
model.add(Dense(100,input_dim=784))
model.add(Activation("relu"))
model.add(Dropout(0.5))

# 第二隐藏层的配置:输入100,输出100
model.add(Dense(100))
model.add(Activation("relu"))
model.add(Dropout(0.5))

# 输出层的配置:输入100,输出10,用了softmax的输出层结构
model.add(Dense(10))
model.add(Activation("softmax"))

# 编译模型,指明代价函数和更新方法
model.compile(loss='categorical_crossentropy',optimizer='adadelta',metrics=['accuracy'])

"""----------训练模型--------------------"""
print("training starts.....")
model.fit(trX,trY,epochs=20,batch_size=20)

"""----------评估模型--------------------"""
# 用测试集去评估模型的准确度
accuracy=model.evaluate(teX,teY,batch_size=20)
print('\nTest accuracy:',accuracy[1])

"""----------模型存储--------------------"""
save_model(model,'my_model')

load_predict.py内容如下:
import os
import cv2
import numpy as np
from keras.models import load_model

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

"""---------载入已经训练好的模型---------"""
new_model = load_model('my_model')

"""---------用opencv载入一张待测图片-----"""
# 载入图片
src = cv2.imread('4.png')
cv2.imshow("待测图片", src)

# 将图片转化为28*28的灰度图
src = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
dst = cv2.resize(src, (28, 28), interpolation=cv2.INTER_CUBIC)

# 将灰度图转化为1*784的能够输入的网络的数组
picture = np.zeros((1, 784))
for i in range(0, 28):
    for j in range(0, 28):
        picture[0][28 * i + j] = (255 - dst[i][j])

# 用模型进行预测
y = new_model.predict(picture)
result = np.argmax(y)
print("待测的数字是:", result)

cv2.waitKey(20170731)

现象如下:
运行keras_mnist.py之后,会有一段时间的训练,然后在工程目录中就会看到生成的模型:my_model,那个MNIST-data文件夹不用担心,运行程序的时候会去自动下载的,但只会第一次需要下载,后面就不用了


然后运行load_predict.py就能看到测试结果了,

 

  • 3
    点赞
  • 33
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
若您想要使用Keras搭建神经网络实现对自己手写数字进行识别,可以按照以下步骤进行操作: 1. 准备您的手写数字数据集。您可以在纸上写数字,然后拍照或扫描,将数字转换为图像。或者您可以使用数位板或触控笔在电脑上绘制数字,然后保存图像。 2. 将图像进行预处理,使其与Keras模型的输入相匹配。在上面的示例中,模型的输入为28x28像素的灰度图像。您需要将您的手写数字图像转换为28x28的灰度图像,并将其保存为numpy数组。 3. 加载模型进行预测。您可以使用以下代码来加载模型并对图像进行预测: ```python from keras.models import load_model import cv2 # 加载模型 model = load_model('your_model.h5') # 加载图像 img = cv2.imread('your_image.png', 0) img = cv2.resize(img, (28, 28)) img = img.reshape(1, 28, 28, 1).astype('float32') img /= 255 # 进行预测 prediction = model.predict(img) print('Prediction:', np.argmax(prediction)) ``` 在这个示例中,`load_model`函数用于加载训练好的模型,`cv2.imread`函数用于加载您的图像,`cv2.resize`函数用于将图像大小调整为28x28像素,`img.reshape`函数用于将图像转换为模型的输入格式,`img /= 255`用于将图像像素值缩放到0~1之间,`model.predict`函数用于对图像进行预测,`np.argmax`函数用于获取预测结果中概率最大的数字。 希望这个简单的示例能够帮助您使用Keras搭建神经网络实现手写数字的识别。

“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 3
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