基于tensorflow的手写数字识别的实现-代数与逻辑-期末大作业模板

一. 工具说明及要求

1. Pycharm

2. python ( version < 3.11 )

3. tensorflow

4. openCV

5. numpy

6. matplotlib

二.训练前工作

1. 训练数据集介绍

数据集: IOS-Lab-数字手写体数据

数据集组成: 40张图，每张图中0-9数字各20个

2. 数据集处理 (核心过程)

(1) openCV读取图片

cv2.imread()

(2) openCV切割图片统一大小

numpy数组操作 + cv2.resize()

(3) openCV处理图片

cv2.cvtColor()
cv2.medianBlur()
cv2.Sobel()
cv2.adaptiveThreshold()
cv2.bitwise_not()
cv2.erode()
# 等等

(4) 图片规则命名

eg: 数字-男女-第几位-第几个

(5) 图片存储

cv2.imwrite()

三.模型训练(关键过程)(伪代码)

(1) 加载图片

listdir = os.listdir(imagePath)   # 获取目录下所有图片  (实际上是图的名词)
for imageName in listdir:        # 遍历每张图
    loadLabel                     # 获取图片label
    cv2.imread(imageName)         # 加载图片
    cv2.resize()                  # 图片转为统一大小
    # 存储 img 与 对应label  用列表存储
temp = np.array([img, labelSex], dtype=object)  # 拼接图片
temp = temp.transpose()
np.random.shuffle(temp)  # 打乱图片
# img 与 label 分割
return img , label

(2)转为tensorflow所需格式

def preprocess(x, y):
    x = tf.cast(x, dtype=tf.float32) / 255.
    y = tf.cast(y, dtype=tf.int32)
    y = tf.one_hot(y, depth=2)  #  depth 为 label的个数 eg:0-9 共10个  男女 共2个
    return x, y
# 分割 训练集 与 验证集  (2个哦)
db = tf.data.Dataset.from_tensor_slices((x, y)) 
db = db.map(preprocess).shuffle(num).batch(batchSize)  # 像素处理 打乱 分批次
sample = next(iter(db))

(3) 定义模型(下扩展)

class myModel(keras.Model):
    def __init__(self):
        super(myModel, self).__init__():
         # 你的模型
    def call(self, inputs):
         # 模型链接

(4) 训练模型

network = myModel()
network.compile(optimizer=optimizers.Adam(learning_rate=0.001), # 学习率
                loss=tf.losses.CategoricalCrossentropy(from_logits=True), # 损失
                metrics=['accuracy']  
                )
history = network.fit(db, epochs=60, validation_data=ds_val, validation_freq=1)
# db 数据    epoch 次数     validation_data 验证集  validation_freq 验证频率
network.evaluate(ds_val)
network.summary()    # 打印网络结构

(5) 预测数据

pred = network.predict(x)  # 预测

(6) 可视化

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

plt.subplot(1, 2, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()

四.模型选择

对于3.3中模型的定义，这里列举案例，大家可自行组合。(具体参数可自行百度)

class MyModel(keras.Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.c1 = layers.Conv2D(filters=6, kernel_size=(5, 5), padding='same')  # 卷积层
        self.b1 = layers.BatchNormalization()  # BN层
        self.a1 = layers.Activation('relu')  # 激活层
        self.p1 = layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same')  # 池化层
        self.d1 = layers.Dropout(0.2)  # dropout层
        self.flatten = layers.Flatten()
        # 下面是全连接层 
        self.fc1 = MyDense(1176, 256)
        self.fc2 = MyDense(256, 128)
        self.fc3 = MyDense(128, 64)
        self.fc4 = MyDense(64, 32)
        #  最终变成 输出维度为 10 与 Y的 one_hot 相关
        self.fc5 = MyDense(32, 10)

    def call(self, inputs, training=None):
        # 运行了 上面构造函数中的 Dense
        x = self.c1(inputs)
        x = self.b1(x)
        x = self.a1(x)
        x = self.p1(x)
        x = self.d1(x)
        x = self.flatten(x)
        x = self.fc1(x)
        # 激活函数用 relu (改变映射)
        # 因为每次卷积后数据就不在是 规定范围内的数据
        # 所以我们要给它调整回去 不然 后果我不知道 但是肯定差了
        x = tf.nn.relu(x)
        x = self.fc2(x)
        x = tf.nn.relu(x)
        x = self.fc3(x)
        x = tf.nn.relu(x)
        x = self.fc4(x)
        x = tf.nn.relu(x)
        x = self.fc5(x)
        return x

大家自定义层时一定要按照 CBAPD的组合(D一定要有 D前需要flatten())
各层介绍(具体可自行百度):
卷积层(Conv2D):
用于在图像、视频等二维数据上进行卷积操作，提取输入数据的特征信息。
批标准层(BN):
深度神经网络中常用的一种层，用于解决梯度消失和梯度爆炸等问题，加速网络训练和提高泛化能力。
激活层(Activation):
sigmoid函数 relu函数
池化层（Pooling):
通常用于降低输入数据的空间维度，减少参数数量，控制过拟合等。在卷积神经网络（Convolutional Neural Network, CNN）中，池化层通常紧跟在卷积层之后，用于压缩卷积层的输出。
全连接层(Dense):
它是一种多层神经网络，它将输入层的节点与输出层的节点完全连接起来

五.想要更具体内容可私聊哦