from tensorflow.examples.tutorials.mnist import input_data
from matplotlib import pyplot
#载入MNIST数据集
mnist = input_data.read_data_sets("/tensorflow_google")
# x_train 是数据,y_train 是对应的标签, batch_size=50000,批量读取50000张样本
x_train, y_train = mnist.train.next_batch(50000)
# 先获取数据值
# x_valid 是测试集的所有数据
x_valid = mnist.validation.images
# 再获取标签值,label=[0,0,...,0,1],是一个1*10的向量
# y_valid 是测试集所有数据的标签
y_valid = mnist.validation.labels
绘制一张图片
pyplot.imshow(x_train[0].reshape((28, 28)), cmap='gray')
print(x_train.shape)
import tensorflow as tf
from tensorflow.python.keras import layers
# 创建一个序贯模型(Sequential Model)
model = tf.keras.Sequential()
# 添加第一个全连接层(Dense Layer),包含32个神经元,使用ReLU激活函数
model.add(layers.Dense(32, activation='relu'))
# 添加第二个全连接层,包含64个神经元,同样使用ReLU激活函数
model.add(layers.Dense(64, activation='relu'))
# 添加输出层,有10个神经元,使用softmax激活函数,用于多分类问题
model.add(layers.Dense(10, activation='softmax'))
# 编译模型,指定优化器为Adam,学习率为0.005,损失函数为稀疏分类交叉熵,评估指标为稀疏分类准确度
model.compile(optimizer=tf.keras.optimizers.Adam(0.005),
loss=tf.keras.losses.SparseCategoricalCrossentropy(),
metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])
# 使用训练数据(x_train, y_train)训练模型,进行5个周期的训练,每个批次的大小为64,
# 同时使用验证数据(x_valid, y_valid)进行模型性能验证
model.fit(x_train, y_train, epochs=5, batch_size=64,
validation_data=(x_valid, y_valid))
训练结果
保存模型
model.save("mymodel")
从资源管理器读取一张图片并且判断是数字几
import tkinter as tk
from tkinter import filedialog
import tensorflow as tf
from keras.preprocessing import image
import numpy as np
# 加载训练好的数字识别模型
model = tf.keras.models.load_model('mymodel') # 替换为你的模型文件路径
# 创建一个GUI窗口
root = tk.Tk()
root.withdraw()
# 打开资源管理器,允许用户选择一张图片
file_path = filedialog.askopenfilename(title="选择一张图片", filetypes=[("Image files", "*.png *.jpg *.jpeg *.bmp *.gif")])
if file_path:
# 加载和预处理选择的图片
img = image.load_img(file_path, target_size=(28, 28), color_mode='grayscale')
x = image.img_to_array(img)
x = x / 255.0 # 归一化图像数据
x = x.reshape(1, 784) # 重塑图像形状为 (1, 784)
# 使用模型进行数字识别
predictions = model.predict(x)
predicted_digit = np.argmax(predictions)
# 显示识别结果
result_text = f"识别结果:数字 {predicted_digit}"
result_window = tk.Toplevel(root)
result_window.title("数字识别结果")
result_label = tk.Label(result_window, text=result_text, font=("Helvetica", 16))
result_label.pack(padx=20, pady=20)
result_window.mainloop()