cnn神经网络可以用于数据拟合吗_使用Keras搭建卷积神经网络进行手写识别的入门（包含代码解读）...

本文是发在Medium上的一篇博客：《Handwritten Equation Solver using Convolutional Neural Network》。本文是原文的翻译。这篇文章主要教大家如何使用keras训练手写字符的识别，并保存训练好的模型到本地，以及未来如何调用保存到模型来预测。本文对一些不太明确的地方做了一点小注释。论文使用了cv2的包做预处理，并使用keras搭建了卷积网络。

主要目录如下

• 介绍
• 获取训练数据
• 1.下载数据集
• 2.抽取特征
• 使用卷积神经网络训练数据
• 1.构建卷积神经网络
• 2.将模型拟合到数据
• 测试模型

介绍

随着技术的进步，机器学习和深度学习在当今时代起着至关重要的作用。现在，机器学习和深度学习技术正被用于手写识别，机器人技术，人工智能以及更多领域。开发此类系统需要使用数据训练我们的机器，使其能够学习并进行必要的预测。本文介绍了一种手写方程求解器，通过手写数字和数学符号训练，使用卷积神经网络和一些图像处理技术，实现98.46％的精度。

获取训练数据

1.下载数据集

我们可以从这个链接下载数据集。解压缩zip文件。不同的文件夹包含不同数学符号的图像。为简单起见，我们在本次学习中仅仅使用0-9数字图像，以及“+”、“-”和“×”三个符号图像。在观察我们的数据集时，我们可以看到它对某些数字/符号有偏差，因为某些符号包含了12000个图像，但是其他符号只包含了3000个图像。要消除此偏差，请将每个文件夹中的图像数量减少到约 4000左右。

2.抽取特征

我们可以使用轮廓提取(contour extraction)技术来获得特征(注意，这里作者并没有明确说明轮廓提取的方法，其实源代码中主要使用cv2的包来获取图片的轮廓)。主要步骤包括：

1. 反转图像然后将其转换为二进制图像，因为当对象为白色且周围为黑色时，轮廓提取会产生最佳结果。
2. 要查找轮廓，请使用“findContour”功能。对于特征，我们使用’boundingRect’函数获得轮廓的边界矩形(边界矩形是包围整个轮廓的最小水平矩形)。
3. 由于数据集中的每个图像只包含一个符号/数字，因此我们只需要最大尺寸的边界矩形。为此，我们计算每个轮廓的边界矩形的面积，并选择具有最大面积的矩形。
4. 现在，将最大区域边界矩形的大小调整为28乘以28，然后压平，变成784乘以1。因此，现在将有784像素值或特征。现在，给它相应的标签(例如，对于0-9图像与其数字相同的标签，对于 - 指定标签10，对于+指定标签11，“×”指定标签12)。所以现在我们的数据集包含784个特征列和一个标签列。提取特征后，将数据保存为CSV文件。

原文没有任何代码，我从他的Github上找到了相关代码，供大家参考。主要代码包括：

def load_images_from_folder(folder): train_data=[] for filename in os.listdir(folder): img = cv2.imread(os.path.join(folder,filename),cv2.IMREAD_GRAYSCALE) img=~img if img is not None: # 这个方法主要是像素高于阈值时，给像素赋予新值，否则，赋予另外一种颜色，这个操作是为了让轮廓提取效果更好 ret,thresh=cv2.threshold(img,127,255,cv2.THRESH_BINARY)# 这个方法就是提取轮廓ret,ctrs,ret=cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) cnt=sorted(ctrs, key=lambda ctr: cv2.boundingRect(ctr)[0]) w=int(28) h=int(28) maxi=0 for c in cnt: x,y,w,h=cv2.boundingRect(c) maxi=max(w*h,maxi) if maxi==w*h: x_max=x y_max=y w_max=w h_max=h im_crop= thresh[y_max:y_max+h_max+10, x_max:x_max+w_max+10] im_resize = cv2.resize(im_crop,(28,28)) im_resize=np.reshape(im_resize,(784,1)) train_data.append(im_resize) return train_data

使用卷积神经网络训练数据

由于卷积神经网络在二维数据上工作，我们的数据集是785乘1的形式。因此，我们需要重塑它。 首先，将数据集中的标签列分配给变量y_train。 然后从数据集中删除标签列，然后将数据集重新变成28乘28.现在，我们的数据集已准备好用于CNN。

1.构建卷积神经网络

要制作CNN，请导入所有必需的库。

import pandas as pdimport numpy as npimport picklenp.random.seed(1212)import kerasfrom keras.models import Modelfrom keras.layers import *from keras import optimizersfrom keras.layers import Input, Densefrom keras.models import Sequentialfrom keras.layers import Densefrom keras.layers import Dropoutfrom keras.layers import Flattenfrom keras.layers.convolutional import Conv2Dfrom keras.layers.convolutional import MaxPooling2Dfrom keras.utils import np_utilsfrom keras import backend as KK.set_image_dim_ordering('th')from keras.utils.np_utils import to_categoricalfrom keras.models import model_from_json

使用“to_categorical”函数将y_train数据转换为分类数据。创建模型的代码如下：

model = Sequential()model.add(Conv2D(30, (5, 5), input_shape=(1 , 28, 28), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Conv2D(15, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.2))model.add(Flatten())model.add(Dense(128, activation='relu'))model.add(Dense(50, activation='relu'))model.add(Dense(13, activation='softmax'))# Compile modelmodel.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

2.将模型拟合到数据

要使CNN拟合数据，请使用以下代码行。

model.fit(np.array(l), cat, epochs=10, batch_size=200,shuffle=True,verbose=1)

训练我们的模型需要大约三个小时，准确率为98.46％。 经过训练，我们可以将我们的模型保存为json文件以备将来使用，这样我们就不必训练模型并每次等待三个小时。 为了保存我们的模型，我们可以使用以下代码行。

model_json = model.to_json()with open("model_final.json