图像分类-实现-手写数字识别

坠金

已于 2022-07-15 16:00:59 修改

阅读量206

点赞数

分类专栏：目标识别/语义分割文章标签： keras 深度学习 tensorflow

于 2022-06-12 17:48:08 首次发布

本文链接：https://blog.csdn.net/qq_41413211/article/details/125247807

版权

目标识别/语义分割专栏收录该内容

44 篇文章 22 订阅 ¥9.90 ¥99.00

订阅专栏

本文介绍了一种使用KNN（K-最近邻算法）进行手写数字识别的方法。通过训练数据集，KNN算法可以有效地区分不同手写数字，从而实现图像分类。在深度学习和TensorFlow领域，KNN作为一种传统算法，为理解图像识别的基本原理提供了有价值的视角。

摘要由CSDN通过智能技术生成

knn实现


"""
识别手写数字 数据集 mnist 直接从keras库中读取
"""
 
 
# 导入 keras 库
import tensorflow.keras as tk
import numpy as np
import matplotlib.pyplot as plt
# 加载数据
(train_dataset, train_labels), (test_dataset, test_labels) = tk.datasets.mnist.load_data()
train_labels = np.array(train_labels, dtype=np.int32)
# # 打印数据集形状
# print(train_dataset.shape, test_dataset.shape)
# # 图像预览
# for i in range(40):
#     plt.subplot(4, 10, i+1)
#     plt.imshow(train_dataset[i], cmap='gray')
#     plt.title(train_labels[i], fontsize=10)
#     plt.axis('off')
# plt.show()
 
# 将原始图像作为描述符
def raw_pixels(img):
    return img.flatten()
# 数据打散
shuffle = np.random.permutation(len(train_dataset))
train_dataset, train_labels = train_dataset[shuffle], train_labels[shuffle]
# 计算每个图像的描述符，这里特征描述符是原始像素
raw_descriptors = []
for img in train_dataset:
    raw_descriptors.append(np.float32(raw_pixels(img)))
 
r

了解本专栏