使用已經(jīng)得到的keras模型識(shí)別自己手寫(xiě)的數(shù)字方式

更新時(shí)間：2020年06月29日 15:07:37 作者：游學(xué)者冬夜

這篇文章主要介紹了使用已經(jīng)得到的keras模型識(shí)別自己手寫(xiě)的數(shù)字方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

環(huán)境：Python+keras，后端為Tensorflow

訓(xùn)練集：MNIST

對(duì)于如何訓(xùn)練一個(gè)識(shí)別手寫(xiě)數(shù)字的神經(jīng)網(wǎng)絡(luò)，網(wǎng)上資源十分豐富，并且能達(dá)到相當(dāng)高的精度。但是很少有人涉及到如何將圖片輸入到網(wǎng)絡(luò)中并讓已經(jīng)訓(xùn)練好的模型驚醒識(shí)別，下面來(lái)說(shuō)說(shuō)實(shí)現(xiàn)方法及注意事項(xiàng)。

首先import相關(guān)庫(kù)，這里就不說(shuō)了。

然后需要將訓(xùn)練好的模型導(dǎo)入，可通過(guò)該語(yǔ)句實(shí)現(xiàn)：

model = load_model('cnn_model_2.h5') （cnn_model_2.h5替換為你的模型名）

之后是導(dǎo)入圖片，需要的格式為28*28?？捎胦pencv導(dǎo)入：

img = cv2.imread('temp3.png', 0) （temp3.png替換為你手寫(xiě)的圖片）

然后reshape一下以符合模型的輸入要求：

img = (img.reshape(1,1,28,28)).astype("float32")/255

之后就可以用模型識(shí)別了：

predict = model.predict_classes(img)

最后print一下predict即可。

下面劃重點(diǎn)：因?yàn)镸NIST使用的是黑底白字的圖片，所以你自己手寫(xiě)數(shù)字的時(shí)候一定要注意把得到的圖片也改成黑底白字的，否則會(huì)識(shí)別錯(cuò)（至少我得到的結(jié)論是這樣的，之前用白底黑字的圖總是識(shí)別出錯(cuò)）

源碼一覽：

import cv2
import numpy as np
from keras.models import load_model
model = load_model('cnn_model_2.h5')

image = cv2.imread('temp3.png', 0)
img = cv2.imread('temp3.png', 0)

img = (img.reshape(1,1,28,28)).astype("float32")/255
predict = model.predict_classes(img)
print ('識(shí)別為：')
print (predict)

cv2.imshow("Image1", image)
cv2.waitKey(0)

效果圖：

補(bǔ)充知識(shí)：keras編寫(xiě)自定義的層

寫(xiě)在前面的話

keras已經(jīng)有很多封裝好的庫(kù)供我們調(diào)用，但是有些時(shí)候我們需要的操作keras并沒(méi)有，這時(shí)就需要學(xué)會(huì)自定義keras層了

1.Lambda

這個(gè)東西很方便，但是只能完成簡(jiǎn)單、無(wú)狀態(tài)的自定義操作，而不能建立含有可訓(xùn)練權(quán)重的自定義層。

from keras.layers import Input,Lambda
from keras import Model
import tensorflow as tf

input=Input(shape=(224,224,3))
input.shape #Input第一個(gè)維度為batchsize維度
output=Lambda(lambda x: x[...,1])(input) #取最后一個(gè)維度的數(shù)據(jù),...表示前面所有的維度
Model=Model(inputs=input,outputs=output)
Model.output

2.keras_custom

學(xué)習(xí)自keras中文文檔

2.自定義keras層（帶有可訓(xùn)練權(quán)重）
① build：定義權(quán)重，且self.build=True，可以通過(guò)迪奧喲經(jīng)super([layer],self).build()完成
② call:功能邏輯實(shí)現(xiàn)
③ compute_output_shape:計(jì)算輸出張量的shape

import keras.backend as K
from keras.engine.topology import Layer #這里的Layer是一個(gè)父類，下面的MyLayer將會(huì)繼承Layer 

class MyLayer(Layer): #自定義一個(gè)keras層類
 def __init__(self,output_dim,**kwargs): #初始化方法
  self.output_dim=output_dim
  super(MyLayer,self).__init__(**kwargs) #必須要的初始化自定義層
 def build(self,input_shape): #為Mylayer建立一個(gè)可訓(xùn)練的權(quán)重
  #通過(guò)add_weight的形式來(lái)為Mylayer創(chuàng)建權(quán)重矩陣
  self.kernel=self.add_weight(name='kernel',
         shape=(input_shape[1],self.output_dim), #這里就是建立一個(gè)shape大小的權(quán)重矩陣
         initializer='uniform',
         trainable=True)
  super(MyLayer,self).build(input_shape) #一定要用，也可以用下面一行
  #self.build=True
 def call(self,x): #call函數(shù)里就是定義了對(duì)x張量的計(jì)算圖，且x只是一個(gè)形式，所以不能被事先定義
  return K.dot(x,self.kernel) #矩陣乘法
 def compute_output_shape(self,input_shape):
  return (input_shape[0],self.output_dim) #這里是自己手動(dòng)計(jì)算出來(lái)的output_shape
--------------------------------------------------------------------------------
class Mylayer(Layer):
 def __init__(self,output_dim,**kwargs):
  self.output_dim=output_dim
  super(MyLayer,self).__init__(**kwargs)
 def build(self,input_shape):
  assert isinstance(input_shape,list) #判斷input_shape是否是list類型的
  self.kernel=self.add_weight(name='kernel',
         shape=(input_shape[0][1],self.output_dim), #input_shape應(yīng)該長(zhǎng)得像[(2,2),(3,3)]
         initializer='uniform',
         trainable=True)
  super(MyLayer,self).build(input_shape)
 def call(self,x):
  assert isinstance(x,list)
  a,b=x #從這里可以看出x應(yīng)該是一個(gè)類似[(2,2),(3,3)]的list,a=(2,2),b=(3,3)
  return [K.dot(a,self.kernel)+b,K.mean(b,axis=-1)]

以上這篇使用已經(jīng)得到的keras模型識(shí)別自己手寫(xiě)的數(shù)字方式就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: