基于TensorFlow的神经网络数字识别（可读取本地文件进行识别）

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()