利用python卷积神经网络手写数字识别_卷积神经网络使用Python的手写数字识别

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

在本文中，我们将使用MNIST数据集实现一个手写数字识别应用程序。我们将使用一种特殊类型的深度神经网络，即

卷积神经网络

。最后，我们将构建一个GUI，您可以在其中绘制数字并立即识别它。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

MNIST数据集

这可能是机器学习和深度学习爱好者中最受欢迎的数据集之一。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

1、导入库并加载数据集

首先，我们将导入训练模型所需的所有模块。Keras库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该

mnist.load_data()

方法返回训练数据，它的标签，也是测试数据和标签。

import keras

from keras.datasets import mnist

from keras.models import Sequential

from keras.layers import Dense, Dropout, Flatten

from keras.layers import Conv2D, MaxPooling2D

from keras import backend as K

# the data, split between train and test sets

(x_train, y_train), (x_test, y_test) = mnist.load_data()

print(x_train.shape, y_train.shape)

2、