使用自己的图片测试MNIST训练效果（TensorFlow1.5+CNN）

最新推荐文章于 2024-08-08 16:44:55 发布

thinever

最新推荐文章于 2024-08-08 16:44:55 发布

阅读量9.6k

点赞数 4

分类专栏：学习笔记文章标签：深度学习 TensorFlow

本文链接：https://blog.csdn.net/zym_1990/article/details/79298326

版权

初学者在TensorFlow 1.5环境下利用CNN训练MNIST数据集，遇到旧教程不适用的问题。通过解决模型保存与加载，最终实现较准确的预测。本文分享了训练过程，强调28*28像素图片要求，并指出高精度下无需复杂图像预处理。实验结果显示，模型有时会将不同图像识别为“8”。

摘要由CSDN通过智能技术生成

作为初学者研究了两周的TensorFlow基础的东西。首先是MNIST数据集在CNN的训练。中间经历了很多问题。

现在TensorFlow的版本已经更新到1.5，出了很多高级API，所以很多博客都不再合适了。

基于TensorFlow+anaconda在CNN训练MNIST之后，关于保存模型以及重新载入先关模型参数又折腾了一阵。原来老版本的方法，就是中文社区的MNIST训练之后使用保存数据，预测结果很差。这次做出来比较靠谱的结果。

我使用的是已经训练好的模型。所以程序里没有训练和评估。这些相关的代码在官方给的例子里已经有了。所以我直接用已经得到的数据进行预测了。

这是我的训练结果，其实1W次我感觉就够了。我不小心弄到了4w.

注意使用的图片，28*28像素。（直接在画图工具里设定好分辨率，比用CV PIL快多了。。。。）。MNIST数据集里是黑底白字。我用画图做的是白底黑字，需要取反。

另外，如果训练的精度够了，不需要进行额外的图像处理（什么滤波啦，倾斜啦）

---我的

---MNIST的

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
from PIL import Image
import numpy as np
import tensorflow as tf
def loaddata(filename):
    #转换成灰度图也就是单通道。
    img=Image.open(filename).convert('L')
    #取出数据
    array=np.asarray(img,dtype="float32")