python与深度学习(二):ANN和手写数字识别二

已于 2023-07-18 21:44:50 修改
阅读量421 收藏 3
点赞数 3
分类专栏： 深度学习 python 文章标签： python 深度学习
于 2023-07-18 21:22:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_47598782/article/details/131796219
版权

目录

1. 说明

本篇文章是对上篇文章训练的模型进行测试。首先是将训练好的模型进行重新加载，然后采用opencv对图片进行加载，最后将加载好的图片输送给模型并且显示结果。

2. 手写数字识别的ANN模型测试

2.1 导入相关库

在这里导入需要的第三方库如cv2，如果没有，则需要自行下载。

from tensorflow import keras
# 引入内置手写体数据集mnist
from keras.datasets import mnist
import skimage, os, sys, cv2
from PIL import ImageFont, Image, ImageDraw  # PIL就是pillow包(保存图像)
import numpy as np

2.2 加载数据和模型

把MNIST数据集进行加载，并且把训练好的模型也加载进来。

# 加载mnist数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 加载ann_mnist.h5文件，重新生成模型对象, 等价于之前训练好的ann_model
recons_model = keras.models.load_model('ann_mnist.h5')

2.3 设置保存图片的路径

将数据集的某个数据以图片的形式进行保存，便于测试的可视化。
在这里设置图片存储的位置。

# 创建图片保存路径
test_file_path = os.path.join(sys.path[0], 'imgs', 'test1.png')
# 存储测试数据的任意一个
Image.fromarray(x_test[1]).save(test_file_path)

在书写完上述代码后，需要在代码的当前路径下新建一个imgs的文件夹用于存储图片，如下。
在这里插入图片描述
执行完上述代码后就会在imgs的文件中可以发现多了一张图片，如下(下面测试了很多次)。
在这里插入图片描述

2.4 加载图片

采用cv2对图片进行加载，下面最后一行代码取一个通道的原因是用opencv库也就是cv2读取图片的时候，图片是三通道的，而训练的模型是单通道的，因此取单通道。

# 加载本地test.png图像
image = cv2.imread(test_file_path)
# 复制图片
test_img = image.copy()
# 将图片大小转换成(28,28)
test_img = cv2.resize(test_img, (28, 28))
# 取单通道值
test_img = test_img[:, :, 0]

2.5 图片预处理

对图片进行预处理，即进行归一化处理和改变形状处理，这是为了便于将图片输入给训练好的模型进行预测。

# 预处理: 归一化 + reshape
new_test_img = (test_img/255.0).reshape(1, 784)

2.6 对图片进行预测

将图片输入给训练好我的模型并且进行预测。
预测的结果是10个概率值，所以需要进行处理， np.argmax()是得到概率值最大值的序号，也就是预测的数字。

# 预测
y_pre_pro = recons_model.predict(new_test_img, verbose=1)
# 哪一类数字
class_id = np.argmax(y_pre_pro, axis=1)[0]
print('test.png的预测概率：', y_pre_pro)
print('test.png的预测概率：', y_pre_pro[0, class_id])
print('test.png的所属类别/手写体数字：', class_id)
class_id = str(class_id)

2.7 显示图片

对预测的图片进行显示，把预测的数字显示在图片上。
下面6行代码分别是创建窗口，设定窗口大小，显示数字，显示图片，停留图片，清除内存。

# # 显示
cv2.namedWindow('img', 0)
cv2.resizeWindow('img', 500, 500)  # 自己设定窗口图片的大小
cv2.putText(image, class_id, (2, 5), cv2.FONT_HERSHEY_SCRIPT_SIMPLEX, 0.2, (255, 0, 0), 1)
cv2.imshow('img', image)
cv2.waitKey()
cv2.destroyAllWindows()

3. 完整代码和显示结果

以下是完整的代码和图片显示结果。

from tensorflow import keras
# 引入内置手写体数据集mnist
from keras.datasets import mnist
import skimage, os, sys, cv2
from PIL import ImageFont, Image, ImageDraw  # PIL就是pillow包(保存图像)
import numpy as np

# 加载mnist数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 加载ann_mnist.h5文件，重新生成模型对象, 等价于之前训练好的ann_model
recons_model = keras.models.load_model('ann_mnist.h5')
# 创建图片保存路径
test_file_path = os.path.join(sys.path[0], 'imgs', 'test1.png')
# 存储测试数据的任意一个
Image.fromarray(x_test[1]).save(test_file_path)
# 加载本地test.png图像
image = cv2.imread(test_file_path)
# 复制图片
test_img = image.copy()
# 将图片大小转换成(28,28)
test_img = cv2.resize(test_img, (28, 28))
# 取单通道值
test_img = test_img[:, :, 0]
# 预处理: 归一化 + reshape
new_test_img = (test_img/255.0).reshape(1, 784)
# 预测
y_pre_pro = recons_model.predict(new_test_img, verbose=1)
# 哪一类数字
class_id = np.argmax(y_pre_pro, axis=1)[0]
print('test.png的预测概率：', y_pre_pro)
print('test.png的预测概率：', y_pre_pro[0, class_id])
print('test.png的所属类别/手写体数字：', class_id)
class_id = str(class_id)
# # 显示
cv2.namedWindow('img', 0)
cv2.resizeWindow('img', 500, 500)  # 自己设定窗口图片的大小
cv2.putText(image, class_id, (2, 5), cv2.FONT_HERSHEY_SCRIPT_SIMPLEX, 0.2, (255, 0, 0), 1)
cv2.imshow('img', image)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述
在这里插入图片描述

4. 多张图片进行测试的完整代码以及结果

为了测试更多的图片，引入循环进行多次测试，效果更好。

# python练习
# 重新学习时间：2023/4/30 23:45
from tensorflow import keras
# 引入内置手写体数据集mnist
from keras.datasets import mnist
import skimage, os, sys, cv2
from PIL import ImageFont, Image, ImageDraw  # PIL就是pillow包(保存图像)
import numpy as np

# 加载mnist数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 加载ann_mnist.h5文件，重新生成模型对象, 等价于之前训练好的ann_model
recons_model = keras.models.load_model('ann_mnist.h5')

prepicture = int(input("input the number of test picture :"))
for i in range(prepicture):
    path1 = input("input the test picture path:")
    # 创建图片保存路径
    test_file_path = os.path.join(sys.path[0], 'imgs', path1)
    # 存储测试数据的任意一个
    num = int(input("input the test picture num:"))
    Image.fromarray(x_test[num]).save(test_file_path)
    # 加载本地test.png图像
    image = cv2.imread(test_file_path)
    # 复制图片
    test_img = image.copy()
    # 将图片大小转换成(28,28)
    test_img = cv2.resize(test_img, (28, 28))
    # 取单通道值
    test_img = test_img[:, :, 0]
    # 预处理: 归一化 + reshape
    new_test_img = (test_img/255.0).reshape(1, 784)
    # 预测
    y_pre_pro = recons_model.predict(new_test_img, verbose=1)
    # 哪一类数字
    class_id = np.argmax(y_pre_pro, axis=1)[0]
    print('test.png的预测概率：', y_pre_pro)
    print('test.png的预测概率：', y_pre_pro[0, class_id])
    print('test.png的所属类别/手写体数字：', class_id)
    class_id = str(class_id)
    # # 显示
    cv2.namedWindow('img', 0)
    cv2.resizeWindow('img', 500, 500)  # 自己设定窗口图片的大小
    cv2.putText(image, class_id, (2, 5), cv2.FONT_HERSHEY_SCRIPT_SIMPLEX, 0.2, (255, 0, 0), 1)
    cv2.imshow('img', image)
    cv2.waitKey()
    cv2.destroyAllWindows()

下面的test picture num指的是数据集中该数据的序号(0-59999)，并不是值实际的数字。

2023-07-18 21:24:54.034234: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
input the number of test picture :5
input the test picture path:61.jpg
input the test picture num:1
1/1 [==============================] - 0s 212ms/step
test.png的预测概率： [[6.7599565e-11 5.6974045e-08 9.9999976e-01 1.4167172e-08 4.2876313e-14
  8.5433702e-17 9.8270281e-12 2.0837895e-07 2.0044362e-13 3.8371804e-15]]
test.png的预测概率： 0.99999976
test.png的所属类别/手写体数字： 2

在这里插入图片描述

input the test picture path:62.jpg
input the test picture num:2
1/1 [==============================] - 0s 25ms/step
test.png的预测概率： [[2.95021305e-08 9.99796808e-01 5.78483643e-08 1.15721946e-07
  1.02379022e-06 1.07751411e-07 1.75613415e-04 1.84143373e-05
  7.72468411e-06 8.39250518e-08]]
test.png的预测概率： 0.9997968
test.png的所属类别/手写体数字： 1

在这里插入图片描述

input the test picture path:63.jpg
input the test picture num:3
1/1 [==============================] - 0s 26ms/step
test.png的预测概率： [[9.9962425e-01 7.8167646e-11 6.5924123e-06 9.7057705e-07 2.3867991e-11
  3.1169588e-04 5.6094854e-05 9.8954046e-11 1.0871034e-08 3.3060348e-07]]
test.png的预测概率： 0.99962425
test.png的所属类别/手写体数字： 0

在这里插入图片描述

input the test picture path:64.jpg
input the test picture num:4
1/1 [==============================] - 0s 30ms/step
test.png的预测概率： [[1.3954380e-09 5.2584750e-07 7.7287673e-08 2.3394799e-08 9.9983513e-01
  4.9446136e-10 1.9493827e-06 4.0978726e-08 3.1354301e-07 1.6186526e-04]]
test.png的预测概率： 0.99983513
test.png的所属类别/手写体数字： 4

在这里插入图片描述

input the test picture path:65.jpg
input the test picture num:5
1/1 [==============================] - 0s 47ms/step
test.png的预测概率： [[4.70661676e-10 9.99986053e-01 5.76763526e-10 1.16811161e-09
  5.13054097e-08 5.98078254e-10 1.21732055e-05 1.10577037e-06
  5.98011809e-07 1.74244752e-09]]
test.png的预测概率： 0.99998605
test.png的所属类别/手写体数字： 1

在这里插入图片描述

菜yuan~
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
手写数字识别_深度学习；手写数字识别；python代码_
09-29
本手写数字识别代码解决的问题是获取大量的手写数字的图像，并且已知这些图像表示的是哪个数字，以此作为训练样本集合，建立一个卷积神经网络模型，使用该模型来识别新的手写数字，也就是测试样本集合，尽可能提高...
python与深度学习(一):ANN和手写数字识别
菜yuan~的博客
07-17 1565
python与深度学习
python与深度学习(五):CNN和手写数字识别
菜yuan~的博客
07-22 1572
python与深度学习
03_深度学习实现手写数字识别（python）
suren_jun的博客
09-13 5015
本次项目采用了多种模型进行测试，并尝试策略来提升模型的泛化能力，最终取得了99.67%的准确率，并采用pyqt5来制作可视化GUI界面进行呈现。具体代码已经开源。
python手写数字识别实验报告_ANN MNIST手写数字识别总结
weixin_39630498的博客
12-04 6469
由于第十四周除了正常上课外，其余时间在整理机器学习的笔记，做中特社会调查报告，然后就是元旦放假，故第十四周没提交周报。本周正常上课，继续完成老师都布置的课业任务，总结通信系统仿真结果，并且完成报告的撰写，分析社会调查结果，做好报告，查阅物理层安全方面的资料，翻译和整理论文。其余时间是开始学习深度学习理论和编程实践，人工神经网络(ANN)和卷积神经网络，了解深度学习几个框架(Caffe、Torch、...
机器学习python实战之手写数字识别
09-21
主要为大家详细介绍了机器学习python实战之手写数字识别，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
Python手写数字识别代码-手写板
03-02
使用Python基于TensorFlow 卷积神经网络设计手写数字识别算法，并编程实现GUI 界面，构建手写数字识别系统。本系统界面设计友好，功能完善。通过测试，本识别系统对于较规范的手写体数字的识别达到了很好的识别效果...
深度学习大作业基于TensorFlow 2实现手写数字识别和猫狗分类识别项目源码.zip
03-04
深度学习大作业基于TensorFlow 2实现手写数字识别和猫狗分类识别项目源码.zip深度学习大作业基于TensorFlow 2实现手写数字识别和猫狗分类识别项目源码.zip深度学习大作业基于TensorFlow 2实现手写数字识别和猫狗分类...
基于Python实现的手写数字识别系统.zip
06-21
二、手写数字的识别。其中最为关键的环节是手写数字模型的训练。本次选取使用的模型是多元线性回归模型。手写数字有 10 中，分别是 0~9，所以可以将该问题视为一个多分类问题。 详细介绍参考：...
python学习笔记----循环语句（四）
取个名字太难了a的博客
04-28 1008
随机数种子在生成随机数的过程中起到一个非常重要的作用。它是用于初始化随机数生成算法（伪随机数生成器）的初始值。随机数种子的作用可重复性：当你使用特定的种子值初始化随机数生成器时，即使在不同的运行环境或不同时间，生成的随机数序列都将是相同的。这对于调试和测试非常重要，因为它允许程序的行为在使用随机数时保持一致。控制随机性：种子提供了一种方法来控制随机数生成过程。通过改变种子，你可以获得不同的随机数序列，这对于模拟和其他需要随机输入的应用非常有用。
SpringBoot中实现发送邮件
最新发布
m0_64289188的博客
04-30 546
当你添加了spring-boot-starter-mail依赖后，Spring Boot会自动配置JavaMailSender实例，并根据application.yml文件中的属性来配置这个实例。你可以直接在需要发送邮件的地方通过@Autowired注解将JavaMailSender实例注入到你的类中，然后使用它来发送邮件。：首先，需要在你的pom.xml文件中添加Spring Boot的邮件发送器依赖。，简化了在Spring Boot应用程序中发送电子邮件的设置过程。Spring Boot的。
python复习（三）
qq_43710593的博客
04-29 341
类是一种面向。
链表刷题集
yajunjiao的专栏
04-30 519
本文主要列举了一些刷的题，不多，有那么几道，也建议各位去建立自己的刷题集。积少成多。
【python】python基础1
七月尘上
04-29 385
注释：单行注释：#多行注释：“”“”“”批量注释：ctl+?,取消注释继续执行一次就行标识符命名规范：1、变量名、类名、函数名只能由数字、字母、下划线组成2、不能以数字开头3、严格区分大小写4、不能以关键字命名定义变量的方式：1、var1 = 值12、var1,var2=值1，值23、var1,var2=值1交换两个变量的值：输出命令解析：sep:输出内容以什么进行分割end:输出以什么结尾file:输出内容以文件形式输出到指定文件。
python基础知识
2301_77724654的博客
04-28 444
基本输入input()，若要输出整数或小数，可用int()，float()函数进行数据类型转换。缩进：Python使用缩进表示代码块，连续的具有相同缩进的多条语句为一个代码块，语句末尾为代码块的开头，同一个代码块要有相同的缩进。1 在Python3中，print()函数取代了Python2中的print语句。2 Python中程序文件运行方式为程序文件运行，交互式运行两种。赋值语句，简单赋值与序列赋值等，序列赋值可一次为多个变量赋值。注释：单行注释用#，多行注释用'''或'''''''
ROS学习教程--第一篇（初试ROS）
隔壁老姚的博客
04-29 534
上述命令，会在工作空间下生成一个功能包，该功能包依赖于 roscpp、rospy 与 std_msgs，其中roscpp是使用C++实现的库，而rospy则是使用python实现的库，std_msgs是标准消息库，创建ROS功能包时，一般都会依赖这三个库实现。该文件定义有关软件包的属性，例如软件包名称，版本号，作者，维护者以及对其他catkin软件包的依赖性。在自定义包basic_correspondence的src目录下创建person_talker.py，编辑以下内容。
superset部署与实践
m0_60125201的博客
04-29 836
本博客简要介绍了superset这个BI工具，使用两种方法来部署superset，并简单介绍了superset的使用。
AttributeError: module ‘numpy‘ has no attribute ‘float‘.的解决方法
chen_znn的博客
04-30 437
本文记录了AttributeError: module 'numpy' has no attribute 'float'.的解决方法
手写数字识别dt.ann.svm
01-15
手写数字识别是一种将手写数字转化为数字形式的技术。dt.ann.svm是一种常用的算法模型。 决策树（dt）是一种树状结构，通过一系列的判定条件对输入数据进行分类或回归预测。手写数字识别中，决策树可以通过学习一系列特征，判断输入的手写数字属于哪个数字类别。 人工神经网络（ann）是一种模拟人脑神经元通信的计算模型，其由多层神经元组成，每个神经元都与前后层的神经元相连。通过训练来调整神经元之间的连接权重，使其能够对输入的手写数字进行识别。 支持向量机（svm）是一种二分类模型，其通过在特征空间中找到一个最优超平面，将不同类别的样本正确地分开。手写数字识别中，SVM可以将输入的手写数字与各个数字类别进行区分。 dt.ann.svm是把决策树、人工神经网络和支持向量机这三种算法模型结合起来使用的方法。通过将这三种模型相结合，可以提高手写数字识别的准确性和效率。具体的实现方法可以是先使用决策树进行初步分类，然后将未能正确识别的样本交给人工神经网络进行进一步学习和训练，最后使用支持向量机对样本进行最终的分类。这样的组合模型能够充分发挥各种算法的优势，提高手写数字识别的准确率，并且具有较好的扩展性和泛化能力。

“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 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

菜yuan~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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