基于tensorflow的手写数字识别

• 实验内容

1.软件安装与环境配置    安装python软件来进行手写数字识别。在实验开始先成功安装python，ANACONDA以及pycharm软件。

2.深度学习框架搭建     ➢ 在进行深度学习代码运行前，首先需要完成虚拟环境的搭建和相关包的安装 ➢ 打开Anaconda Prompt ➢ 输入命令：conda create -n keras_mnist python=3.10，创建名为keras_mnist的虚拟环境，创建环境时可以指定python版本，由于我的电脑python版本为3.10，因而这里指定版本为3.10 ➢ 接着激活环境：conda activate keras_mnist ➢ 此时上图中的（base）变成了（keras_mnist），表示成功激活环境keras_mnist ➢ 然后在此环境下输入pip install tensorflow安装tensorflow ➢ 安装时可以指定tensorflow版本，这里指定的版本为2.11.0

深度学习框架搭建遇到的问题：在安装tensorflow的过程中，由于网络连接问题导致下载速度过慢，  可在网络查找链接自行进行镜像下载。

Conda list 列表界面

➢ 打开PyCharm，点击File→New Project ➢ 选择项目的路径，并对新建的项目进 行命名，示例中项目命名为 Exp1_HandWriting ➢ New environment using→Conda ➢ 最后点击Create进行创建

➢ File→New→Python File，命名为：keras_mnist ➢ 在keras_mnist.py文件里输入卷积神经网络构建和训练的代码 ➢ 完成代码编辑后，点击鼠标右键，然后选择“Run keras_mnist”运行代码

➢ File→Settings→Python Interpreter→Add→Conda Environment ➢ 找到刚才配置的keras_mnist虚拟环境下的python.exe ➢ 点击ok完成虚拟环境的配置

选择虚拟环境遇到的问题：在选择Conda Environment时， 选择配置的keras_mnist虚拟环境下的python.exe会出现报错，经过搜索，改为选择conda.exe则可顺利进行下一步。

项目环境配置

3.代码的运行

➢ MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数 据集之一 ➢ MNIST手写数字数据集包含有60000张图片作为训练集数据，由250个不同职业 的人纯手写绘制 ➢ 其中10000张图片作为测试集数据，且每一个训练元素都是28×28像素的手写 数字图片，每一张图片代表的是从0到9中的每个数字。 ➢ 在keras中内置了MNIST数据集，我们只需导入相关库并使用代码 mnist.load_data()即可下载MNIST数据集

运行tensorflow代码出现的问题：在运行代码时，程序出现了报错。原因是安装的tensorflow版本为2.11版本，与代码不适配。将工具库导入的代码改为下图可正常运行

from keras.datasets import mnist

from tensorflow.python.keras.layers import Dense,Flatten,Conv2D

from tensorflow.python.keras.losses import sparse_categorical_crossentropy

from tensorflow.python.keras.optimizers import adam_v2

from tensorflow.python.keras.models import Sequential,save_model

• 运行结果

运行结果如下：

模型训练的准确率为98.08%

调节模型的训练参数，将batch_size改为800，将no_epoch改为5，模型的训练输出结果发生改变。训练时间明显延长了。训练结果大致相似，准确率仍然很高，提升至99.51%。

• 总结分析

经过这次实验，我学会了用python，ANACONDA,Pycharm进行项目创建的基本操作。学会了配置环境的基本操作。了解了tensorflow工具包的强大功能和数字识别的基本流程。

实验的感想：在实验过程中遇到了很多报错，做实验的大部分时间都在解决这些报错。包括环境配置的错误，代码运行时工具库调用的错误以及代码中存在的语法错误。由于编程实践的经验较少，往往在写程序的过程中我个人遇到报错不愿意自主的解决，经过这次实践，我更加切身感受到了编程实践过程中自己解决报错需要很大的耐心，也需要有信心。希望能在之后的编程实践中得到更多的锻炼。

• 附录（源程序）

from keras.datasets import mnist

from tensorflow.python.keras.layers import Dense,Flatten,Conv2D

from tensorflow.python.keras.losses import sparse_categorical_crossentropy

from tensorflow.python.keras.optimizers import adam_v2

from tensorflow.python.keras.models import Sequential,save_model

# Load MNIST dataset u

(input_train,target_train),(input_test,target_test) = mnist.load_data()

# Definition of model parameters

batch_size = 600

img_width,img_height = 28,28

loss_function = sparse_categorical_crossentropy

no_classes = 10

no_epochs = 1

optimizer = adam_v2.Adam()

validation_split = 0.2

verbosity = 1

# Reshape data

input_train = input_train.reshape((input_train.shape[0],img_width,img_height,1))

input_test = input_test.reshape((input_test.shape[0],img_width,img_height,))

input_shape = (img_width,img_height,1)

# cast input to float32

input_train = input_train.astype( 'float32')

input_test = input_test.astype( 'float32')

#Normalize data

input_train = input_train / 255

input_test = input_test / 255

# Define the model c

model = Sequential()

model.add(Conv2D(32,kernel_size=(3,3),activation='relu', input_shape=input_shape))

model.add(Conv2D(64,kernel_size=(3,3),activation='relu'))

model.add(Conv2D(128, kernel_size=(3,3),activation='relu'))

model.add(Flatten())

model.add(Dense(256,activation='relu'))

model.add(Dense(no_classes,activation='softmax'))

model.compile( loss=loss_function,optimizer=optimizer,metrics=[ 'accuracy'])

model.fit(input_train,target_train,

batch_size=batch_size,epochs=no_epochs,

verbose=verbosity,

validation_split=validation_split)

#Evaluate the model

scores = model.evaluate(input_train,target_train,verbose=0)

print("%s:%.2f%%" %(model.metrics_names[1], scores[1]*100))