------------先看看别人的博客---------------------
Tensorflow 实现 MNIST 手写数字识别 用这个的代码跑通了
-------------我觉得要学习一些tf的函数知识才能搞得动-------------
1. tf.placeholder 与 tf.Variable
TensorFlow 辨异 —— tf.placeholder 与 tf.Variable
TensorFlow 学习积累（1）：variable 和 placeholder
2. tf.zeros()
3. tf.matmul函数——matrix multiply 矩阵乘法
4. reduce_sum()函数和reduce_mean()函数
TensorFlow基础1：reduce_sum()函数和reduce_mean()函数
tf.reduce_mean()中第二个参数应该是要去掉的维度，tensor是按照先行后列的方式存储的
5. input_data模块
走进tensorflow第十步——手写数字识别中的input_data模块
-----------回过头来看看用的什么模型-------------
使用tensorflow构建一个单层的手写数字识别 上面跑通的代码属于这种，单层感知机
My Machine Learn(四)：mnist数字识别神经网络的优化(c++版本) 使用BP神经网络，能搞清楚为什么网络输入是784元素
mnist数据集的每一张图片的分辨率是28x28， 也就是说输入层会有784个数据节点，就像一个有784元素的数组
【注】也就是MNIST数据集中的每张图片有784个像素，如果用Mat类表示，就是一个784维数组
-------------如何调用训练好的模型--------------------
机器学习Tensorflow基于MNIST数据集识别自己的手写数字（读取和测试自己的模型）
使用Tensorflow和MNIST识别自己手写的数字 这个介绍了一些细节
得到一个手写数字的图片之后。下面我们就要对它进行预处理，缩小它的大小为28*28像素，并转变为灰度图，进行二值化处理。我使用的是Opencv对图像进行处理，也可以使用MATLAB等进行预处理。
完成预处理程序后，我们得到了这样的图片：
这就是28*28的二值化后的图片，这样的格式和我们MNIST数据集中的图片格式相同。只有这样，我们才能将图片输入到网络中进行识别。
【注】调用保存的网络用到 saver.restore()函数 。大概是新建一个相同的网络模型，用saver.restore()函数将训练完保存的每一层参数导入我们新建的这个网络。
评论又说：
测试的时候不必再定义一次模型，直接采用训练完毕所保存的即可^_^
没弄清楚
TensorFlow手把手入门之 — TensorFlow保存还原模型的正确方式，Saver的save和restore方法，亲测可用
---------------------用下面这个代码把调用跑通了---------------------------------------
机器学习Tensorflow基于MNIST数据集识别自己的手写数字（读取和测试自己的模型）
其中图像预处理还是用的OpenCV(C++) 使用Tensorflow和MNIST识别自己手写的数字
训练代码
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("D:\\MNIST_DATABASE", one_hot=True) #MNIST数据集所在路径
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev = 0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1,shape = shape)
return tf.Variable(initial)
def conv2d(x,W):
return tf.nn.conv2d(x, W, strides = [1,1,1,1], padding = 'SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x,[-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
saver = tf.train.Saver() #定义saver
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(2000):
batch = mnist.train.next_batch(50)
if i % 100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x: batch[0], y_: batch[1], keep_prob: 1.0})
print('step %d, training accuracy %g' % (i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
saver.save(sess, 'D:\\Python_Test\\SAVE\\model.ckpt') #模型储存位置
print('test accuracy %g' % accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
调用代码
from PIL import Image, ImageFilter
import tensorflow as tf
import matplotlib.pyplot as plt
def imageprepare():
im = Image.open('D:\\Image\\temp6.png') #读取的图片所在路径，注意是28*28像素
plt.imshow(im) #显示需要识别的图片
plt.show()
im = im.convert('L')
tv = list(im.getdata())
tva = [(255-x)*1.0/255.0 for x in tv]
return tva
result=imageprepare()
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev = 0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1,shape = shape)
return tf.Variable(initial)
def conv2d(x,W):
return tf.nn.conv2d(x, W, strides = [1,1,1,1], padding = 'SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x,[-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
saver.restore(sess, "D:\\SAVE\\model.ckpt") #使用模型，参数和之前的代码保持一致
prediction=tf.argmax(y_conv,1)
predint=prediction.eval(feed_dict={x: [result],keep_prob: 1.0}, session=sess)
print('识别结果:')
print(predint[0])
运行测试代码有时候会报错，网络参数在ckpt里找不到啊之类的，退出python环境重新打开又好了。
搞不懂啊，同样的程序，有时候加载模型没问题，有时候又加载不出来。
扫一扫
929
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
