手写数字识别代码复现,开发语言 : python TensorFlow 开发工具 PyCharm使用卷积神经网络进行训练 毕业设计 附完整代码

已于 2023-02-09 11:35:56 修改
阅读量147 收藏
点赞数
分类专栏： 计算机毕设 文章标签： 手写数字识别 python TensorFlow PyCharm Powered by 金山文档
于 2023-02-09 11:34:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_55771290/article/details/128950115
版权
本文介绍了使用Python 3.6.13、TensorFlow 2.5.0 + Keras 2.5.0在PyCharm中复现手写数字识别的过程。通过从简单的隐藏层到卷积神经网络（CNN），再到包含最大池化和Dropout层的复杂CNN，逐步提升模型性能。在Kaggle的Digit Recognizer数据集上，finalDemo的测试集准确率达到了99.55%。
摘要由CSDN通过智能技术生成

“手写数字识别代”代码复现,开发语言 : python 3.6.13\使用框架 ：TensorFlow 2.5.0 + Keras 2.5.0\开发工具 ：PyCharm 2020.2.2 x64,使用卷积神经网络进行训练,采用 network.evaluate()评估函数输出 测试集损失和测试集准确率，训练集损失以及训练集准确率。详细设计见md文件。

开发环境

开发语言 : python 3.6.13

使用框架 ：TensorFlow 2.5.0 + Keras 2.5.0

开发工具 ：PyCharm 2020.2.2 x64

二、项目目录说明

此次复现的主要代码文件有：

    了解本专栏 订阅专栏 解锁全文 超级会员免费看
    计算机毕设论文
    关注
    专栏目录
    订阅专栏
    [Python人工智能] 三十.Keras深度学习构建CNN识别阿拉伯手写文字图像
    杨秀璋的专栏
    07-12 5677
    从本专栏开始，作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了生成对抗网络GAN的基础知识，包括什么是GAN、常用算法（CGAN、DCGAN、infoGAN、WGAN）、发展历程、预备知识，并通过Keras搭建最简答的手写数字图片生成案例。这篇文章将通过Keras深度学习构建CNN模型识别阿拉伯手写文字图像，一篇非常经典的图像分类文字。本文参考并复现了刘润森老师的博客，推荐大家关注他的文章，真的非常棒！让我们开始吧~ https://maoli.blog.csdn.net/a
    机器学习python实战之手写数字识别
    09-21
    主要为大家详细介绍了机器学习python实战之手写数字识别，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    用PyCharm实现MNIST手写数字识别。
    weixin_72583290的博客
    11-09 2298
    查询函数——给定输入，从输出节点给出答案（最后导入测试数据集，使用查询函数获得输出，与正确结果比较，获得该神经网络的准确度）本人几乎没有编程基础，完全按照《Python神经网络》一书学习，在此过程中困惑很多。training_data_file = open("训练集数据存储路径", 'r')test_data_file = open("测试集数据存储路径", 'r')# 初始化函数--设定输入层节点、隐藏节点、和输出层节点数量。# 训练——训练给定样本，优化权重。# 读入手写字体训练数据集。
    吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用）
    03-24
    吴恩达卷积神经网络，第一周作业PyTorch版本代码(gpu-cpu通用） 1.PyCharm上运行的PyTorch项目 2.基础的卷积神经网络搭建 3.加入了gpu加速所需的代码 4.含数据集+cnn_utils.py【对原版本做了简化】 5.含训练、模型保存、模型加载、单个图片预测代码 6.里面保存了个已经在gpu上训练好的模型，下载后也可以自行训练
    Python神经网络手写数字识别代码&解释
    m0_47887988的博客
    03-23 1万+
    使用了数据集MNIST中的部分数据。 1、读取数据集内容 #打开文件并获取其中的内容 data_file=open("mnist_train.csv",'r') #open()函数打开文件，第一个参数时文件的路径，第二个参数可选，"r"表示只读 data_list=data_file.readlines() #使用与文件句柄data_file相关的readlines()函数，将文件中所有行读入变量data_list，此处文件很小，可以这么用，否则要逐行读取 data_file.close() #关闭文
    搭建一个基于CNN数字识别项目的环境（Pycharm+Pytorch+Opencv)
    qq_58158569的博客
    03-08 1187
    配置一个Pycharm+Pytorch+Opencv的基于CNN的数字识别系统的环境
    手写数字识别代码复现,开发语言 python TensorFlow 开发工具 PyCharm使用卷积神经网络进行训练.zip
    02-09
    “手写数字识别代”代码复现 一、开发环境 开发语言 : python 3.6.13 使用框架 ：TensorFlow 2.5.0 + Keras 2.5.0 开发工具 ：PyCharm 2020.2.2 x64 二、项目目录说明 此次复现的主要代码文件有： simpleDemo.py...
    minist手写数字的识别代码复现(pytorch 版本)
    2202_75521293的博客
    03-16 2112
    电脑系统：Windows 10语言环境：Python 3.8.18编译器：jupyter notebook深度学习环境：torch == 1.13.1+cu116显卡及显存： Tesla V100-PCIE-32GB卷积神经网络（Convolutional Neural Network，CNN或ConvNet）是一种 具有局部连接、权重共享等特性的深层前馈神经网络． 目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的 前馈神经网络。
    Python 手写数字识别的实现(pytorch框架) 超详细版本-jupyter notebook
    热门推荐
    weixin_43718786的博客
    03-28 2万+
    本文详细介绍了如何构建LeNet-5神经网络用于手写数字识别。 文中大量的代码解释包含在代码行后的注释中，请注意查看。 下面的代码在谷歌云盘的colab上运行，也可以在jupyter notebook上运行
    Python手写数字识别
    alicema1111的博客
    11-30 1112
    这篇博客针对《Python手写数字识别》编写代码，代码整洁，规则，易读。 学习与应用推荐首选。
    深度学习（pytorch）——利用GPU给网络训练的2种方法
    qq_42233059的博客
    09-03 3537
    深度学习（pytorch）——利用GPU给网络训练的2种方法
    Pytorch 实现全连接神经网络/卷积神经网络训练MNIST数据集，并将训练好的模型在制作自己的手写图片数据集上测试
    qq_41195985的博客
    08-16 5188
    项目地址 https://gitee.com/martin64/pytorch MNIST介绍 MNIST数据集来自美国国家标准与技术研究所，National Institute of Standards and Technology(NIST). 训练集由250个不同人手写的数字构成，其中50%是高中学生，50%来自人户普查局的工作人员。测试集也是同样比例的手写数字数据。 MNIST数据集分为2个部分，分别含有6000张训练图片和1000张测试图片。 每一张图片图片的大小都是28×28，而且图片的背景色为
    [源码和文档分享]基于Python实现的手写数字识别
    qq_38474647的博客
    06-16 1239
    一、准备 测试准备：pycharm，windows自带画图功能，python3.5 安装python3.5 将解压的文件夹拖入pycharm中，设置解释器路径为：文件解压路径\ML_num\venv\Scripts\python.exe 若要调用文件，只要点入文件并点击右上角绿色三角或鼠标右键点 run 相应文件 ...
    用Python进行简单的图片数字识别（1）
    一粒飞鸿丶的博客
    03-11 7287
    一、源代码 from PIL import Image im = Image.open("F:/result/4.jpg") # 先将图片转为固定宽高如55*55以符合一行txt文件 im = im.resize((55,55)) fh = open("F:/result/7.txt", "a") width = im.size[0] height = im.size[1] # k = ...
    【项目实战】基于python+pycharm+OpenCV的信用卡数字识别
    Pam的博客
    04-17 3221
    一、pycharm实现参数配置 直接运行程序会报错： usage: ocr_template_match.py [-h] -i IMAGE -t TEMPLATE ocr_template_match.py: error: the following arguments are required: -i/–image 1、找到如图所示位置，点击script parameters 进行参数设置 2...
    Pycharm+tensorflow+Softmax实现Mnist手写体数字识别
    AIGC Studio：分享AIGC前沿知识和好玩应用，公众号同名。
    07-15 2575
    Pycharm+Tensorflow的配置和安装在前面的博客已经介绍过。 Minst数据集可以再这里下载：Minst数据集下载 MNIST数据集包含了6w张图片作为训练数据，1w图片作为测试数据。在MNIST数据集中，每一张图片都代表了0~9中的一个数字，图片的大小都是28×28，且数字都会出现在图片的正中间。数据集包含了四个文件： t10k-images-idx3-ubyte.gz ...
    深度学习四：tensorflow-使用卷积神经网络识别手写数字
    阳光玻璃杯
    06-30 9020
    当你安装了tensorflow后，tensorflow自带的教程演示了如何使用卷积神经网络来识别手写数字。代码路径为tensorflow-master\tensorflow\examples\tutorials\mnist\mnist_deep.py。 为了快速测试该程序，我提前将需要的mnist手写数字库下载到了工程目录（我在pycharm中新建了工程，并把mnist_deep.py中的代码拷贝
    Pycharm+TensorFlow编写CNN实现Mnist手写数据集识别
    AIGC Studio：分享AIGC前沿知识和好玩应用，公众号同名。
    07-16 4911
    # 导入本次需要的模块 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 下载并加载数据 mnist = input_data.read_data_sets(r'F:\手写数字识别\新建文件夹\data', one_hot=True) def compute_accuracy...
    利用pycharm根据卷积神经网络识别手写字母运行一个代码
    最新发布
    10-22
    PyCharm是一个强大的Python集成开发环境，用于构建基于卷积神经网络（Convolutional Neural Network, CNN）的手写字母识别项目，你可以按照以下步骤来编写并运行代码： 1. **安装必要的库**: - 首先，你需要安装TensorFlow或PyTorch等深度学习框架，以及像Keras这样的高级API，因为它们提供了预定义的CNN模型和便利的功能。 ``` pip install tensorflow keras ``` 2. **数据预处理**: 导入MNIST数据集，这是常用于手写数字识别的标准数据集，包含了训练和测试样本。 ```python from tensorflow.keras.datasets import mnist (train_data, train_labels), (test_data, test_labels) = mnist.load_data() ``` 3. **图像预处理**: 对像素值归一化，并将图像转换为适合输入CNN的维度。 ```python train_data, test_data = train_data / 255.0, test_data / 255.0 train_data = train_data.reshape(-1, 28, 28, 1) test_data = test_data.reshape(-1, 28, 28, 1) ``` 4. **构建CNN模型**: 使用Keras创建一个简单的CNN模型，包括卷积层、池化层和全连接层。 ```python model = tf.keras.Sequential([ tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10, activation='softmax') # 输出层，10代表0-9十个数字 ]) ``` 5. **编译模型**: 设置损失函数、优化器和评估指标。 ```python model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) ``` 6. **训练模型**: 将训练数据拟合到模型上。 ```python model.fit(train_data, train_labels, epochs=10, validation_split=0.1) ``` 7. **评估模型**: 测试模型在测试集上的性能。 ```python test_loss, test_acc = model.evaluate(test_data, test_labels, verbose=2) print(f'Test accuracy: {test_acc}') ``` 8. **预测**: 最后，你可以用模型对新的手写字母图片进行分类。 ```python predictions = model.predict(new_image.reshape(1, 28, 28, 1)) predicted_label = np.argmax(predictions) print(f"Predicted label: {predicted_label}") ``` 记得在实际操作中替换`new_image`为你想要识别的实际手写字体图片。
    评论
    添加红包

    请填写红包祝福语或标题

    个

    红包个数最小为10个

    元

    红包金额最低5元

    当前余额3.43元 前往充值 >
    需支付：10.00元
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包

    打赏作者

    计算机毕设论文

    你的鼓励将是我创作的最大动力

    ¥1 ¥2 ¥4 ¥6 ¥10 ¥20
    扫码支付：¥1
    获取中
    扫码支付

    您的余额不足，请更换扫码支付或充值

    打赏作者

    实付元
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明：

    1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

    余额充值