詳解Python手寫數(shù)字識(shí)別模型的構(gòu)建與使用
更新時(shí)間：2022年12月22日 08:31:40 作者：顧城沐心
這篇文章主要為大家詳細(xì)介紹了Python中手寫數(shù)字識(shí)別模型的構(gòu)建與使用，文中的示例代碼簡(jiǎn)潔易懂，對(duì)我們學(xué)習(xí)Python有一定的幫助，需要的可以參考一下
一：手寫數(shù)字模型構(gòu)建與保存
1 加載數(shù)據(jù)集
# 1加載數(shù)據(jù) digits_data = load_digits()
可以先簡(jiǎn)單查看下 手寫數(shù)字集，如下可以隱約看出數(shù)字為8
plt.imshow(digits_data.images[8]) plt.show()
2 特征數(shù)據(jù) 標(biāo)簽數(shù)據(jù)
# 數(shù)據(jù)劃分 x_data = digits_data.data y_data = digits_data.target
3 訓(xùn)練集 測(cè)試集
# 訓(xùn)練集 + 測(cè)試集 x_test = x_data[:40] y_test = y_data[:40] x_train = x_data[40:] y_train = y_data[40:] # 概率問(wèn)題 y_train_2 = np.zeros(shape=(len(y_train), 10))
4 數(shù)據(jù)流圖 輸入層
input_size = digits_data.data.shape[1] # 輸入的列數(shù) # 數(shù)據(jù)流圖的構(gòu)建 # x:輸入64個(gè)特征值--像素 x = tf.placeholder(np.float32, shape=[None, input_size]) # y:識(shí)別的數(shù)字 有幾個(gè)類別[0-9] y = tf.placeholder(np.float32, shape=[None, 10])
5 隱藏層
5.1 第一層
# 第一層隱藏層 # 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個(gè)數(shù)) 標(biāo)準(zhǔn)差是0.1的正態(tài)分布 w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1)) # b的個(gè)數(shù)就是隱藏層神經(jīng)元的個(gè)數(shù) b1 = tf.Variable(tf.constant(0.01), [80]) # 第一層計(jì)算 one = tf.matmul(x, w1) + b1 # 激活函數(shù) 和0比 大于0則激活 op1 = tf.nn.relu(one)
5.2 第二層
# 第二層隱藏層 上一層輸出為下一層輸入 # 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個(gè)數(shù)) 標(biāo)準(zhǔn)差是0.1的正態(tài)分布 w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1)) # b的個(gè)數(shù)就是隱藏層神經(jīng)元的個(gè)數(shù) b2 = tf.Variable(tf.constant(0.01), [10]) # 第一層計(jì)算 two = tf.matmul(op1, w2) + b2 # 激活函數(shù) 和0比 大于0則激活 op2 = tf.nn.relu(two)
6 損失函數(shù)
# 構(gòu)建損失函數(shù) loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
7 梯度下降算法
# 梯度下降算法 Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.005).minimize(loss)
8 輸出損失值
# 變量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
# 開(kāi)啟會(huì)話
with tf.Session() as sess:
sess.run(init)
# 訓(xùn)練次數(shù)
for i in range(500):
# 數(shù)據(jù)分組
start = (i * 100) % data_size
end = min(start + 100, data_size)
batch_x = x_train[start:end]
batch_y = y_train_2[start:end]
sess.run(Optimizer, feed_dict={x: batch_x, y: batch_y})
# 輸出損失值
train_loss = sess.run(loss, feed_dict={x: batch_x, y: batch_y})
print(train_loss)9 模型 保存與使用
obj = tf.train.Saver()
# 模型保存
obj.save(sess, 'model-digits.ckpt')
10 完整源碼分享
import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 1加載數(shù)據(jù)
digits_data = load_digits()
# 查看數(shù)據(jù)
# print(digits_data)
# 查看數(shù)據(jù)基本特征 (1797, 64) 64:8*8像素點(diǎn)
# print(digits_data.data.shape)
# plt.imshow(digits_data.images[8])
# plt.show()
# 數(shù)據(jù)劃分
x_data = digits_data.data
y_data = digits_data.target
# 訓(xùn)練集 + 測(cè)試集
x_test = x_data[:40]
y_test = y_data[:40]
x_train = x_data[40:]
y_train = y_data[40:]
# 概率問(wèn)題
y_train_2 = np.zeros(shape=(len(y_train), 10))
# 對(duì)應(yīng)的分類 當(dāng)前行對(duì)應(yīng)列變成1
for index, row in enumerate(y_train_2):
# 當(dāng)前行 對(duì)應(yīng)的數(shù)字對(duì)應(yīng)列
row[int(y_train[index])] = 1
# print(y_train_2[0])
input_size = digits_data.data.shape[1] # 輸入的列數(shù)
# 數(shù)據(jù)流圖的構(gòu)建
# x:輸入64個(gè)特征值--像素
x = tf.placeholder(np.float32, shape=[None, input_size])
# y:識(shí)別的數(shù)字 有幾個(gè)類別[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
# 第一層隱藏層
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個(gè)數(shù)) 標(biāo)準(zhǔn)差是0.1的正態(tài)分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的個(gè)數(shù)就是隱藏層神經(jīng)元的個(gè)數(shù)
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一層計(jì)算
one = tf.matmul(x, w1) + b1
# 激活函數(shù) 和0比 大于0則激活
op1 = tf.nn.relu(one)
# 第二層隱藏層 上一層輸出為下一層輸入
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個(gè)數(shù)) 標(biāo)準(zhǔn)差是0.1的正態(tài)分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的個(gè)數(shù)就是隱藏層神經(jīng)元的個(gè)數(shù)
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一層計(jì)算
two = tf.matmul(op1, w2) + b2
# 激活函數(shù) 和0比 大于0則激活
op2 = tf.nn.relu(two)
# 構(gòu)建損失函數(shù)
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=op2))
# 梯度下降算法 優(yōu)化器 learning_rate學(xué)習(xí)率(步長(zhǎng))
Optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.005).minimize(loss)
# 變量初始化
init = tf.global_variables_initializer()
data_size = digits_data.data.shape[0]
# 開(kāi)啟會(huì)話
with tf.Session() as sess:
sess.run(init)
# 訓(xùn)練次數(shù)
for i in range(500):
# 數(shù)據(jù)分組
start = (i * 100) % data_size
end = min(start + 100, data_size)
batch_x = x_train[start:end]
batch_y = y_train_2[start:end]
sess.run(Optimizer, feed_dict={x: batch_x, y: batch_y})
# 輸出損失值
train_loss = sess.run(loss, feed_dict={x: batch_x, y: batch_y})
print(train_loss)
obj = tf.train.Saver()
# 模型保存
obj.save(sess, 'modelSave/model-digits.ckpt')損失值在0.303左右，如下圖所示
二：手寫數(shù)字模型使用與測(cè)試
對(duì)上一步創(chuàng)建的模型，使用測(cè)試
import tensorflow as tf
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 1加載數(shù)據(jù)
digits_data = load_digits()
# 數(shù)據(jù)劃分
x_data = digits_data.data
y_data = digits_data.target
# 訓(xùn)練集 + 測(cè)試集
x_test = x_data[:40]
y_test = y_data[:40]
x_train = x_data[40:]
y_train = y_data[40:]
# 概率問(wèn)題
y_train_2 = np.zeros(shape=(len(y_train), 10))
# 對(duì)應(yīng)的分類 當(dāng)前行對(duì)應(yīng)列變成1
for index, row in enumerate(y_train_2):
# 當(dāng)前行 對(duì)應(yīng)的數(shù)字對(duì)應(yīng)列
row[int(y_train[index])] = 1
# 網(wǎng)絡(luò)搭建
num_class = 10 # 數(shù)字0-9
hidden_num = 80 # 神經(jīng)元個(gè)數(shù)
input_size = digits_data.data.shape[1] # 輸入的列數(shù)
# 數(shù)據(jù)流圖的構(gòu)建
# x:輸入64個(gè)特征值--像素
x = tf.placeholder(np.float32, shape=[None, 64])
# y:識(shí)別的數(shù)字 有幾個(gè)類別[0-9]
y = tf.placeholder(np.float32, shape=[None, 10])
# 第一層隱藏層
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個(gè)數(shù)) 標(biāo)準(zhǔn)差是0.1的正態(tài)分布
w1 = tf.Variable(tf.random_normal([input_size, 80], stddev=0.1))
# b的個(gè)數(shù)就是隱藏層神經(jīng)元的個(gè)數(shù)
b1 = tf.Variable(tf.constant(0.01), [80])
# 第一層計(jì)算
one = tf.matmul(x, w1) + b1
# 激活函數(shù) 和0比 大于0則激活
op1 = tf.nn.relu(one)
# 第二層隱藏層 上一層輸出為下一層輸入
# 參數(shù)1 輸入維度 參數(shù)2：輸出維度(神經(jīng)元個(gè)數(shù)) 標(biāo)準(zhǔn)差是0.1的正態(tài)分布
w2 = tf.Variable(tf.random_normal([80, 10], stddev=0.1))
# b的個(gè)數(shù)就是隱藏層神經(jīng)元的個(gè)數(shù)
b2 = tf.Variable(tf.constant(0.01), [10])
# 第一層計(jì)算
two = tf.matmul(op1, w2) + b2
# 激活函數(shù) 和0比 大于0則激活
op2 = tf.nn.relu(two)
# 變量初始化
init = tf.global_variables_initializer()
train_count = 500
batch_size = 100
data_size = x_train.shape[0]
pre_max_index = tf.argmax(op2, 1)
plt.imshow(digits_data.images[13]) # 3
plt.show()
with tf.Session() as sess:
sess.run(init)
# 使用網(wǎng)絡(luò)
obj = tf.train.Saver()
obj.restore(sess, 'modelSave/model-digits.ckpt')
print(sess.run(op2, feed_dict={x: [x_test[13], x_test[14]]}))
print(sess.run(pre_max_index, feed_dict={x: [x_test[13], x_test[14]]}))想要測(cè)試的數(shù)據(jù)，如下圖所示
使用模型測(cè)試出來(lái)的結(jié)果，如下圖所示，模型基本能夠使用
到此這篇關(guān)于詳解Python手寫數(shù)字識(shí)別模型的構(gòu)建與使用的文章就介紹到這了,更多相關(guān)Python手寫數(shù)字識(shí)別模型內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
一文教你如何創(chuàng)建Python虛擬環(huán)境venv
創(chuàng)建?Python?虛擬環(huán)境是一個(gè)很好的實(shí)踐,可以幫助我們管理項(xiàng)目的依賴項(xiàng),避免不同項(xiàng)目之間的沖突,下面就跟隨小編一起學(xué)習(xí)一下如何創(chuàng)建Python虛擬環(huán)境venv吧2024-12-12
最近Python有點(diǎn)火? 給你7個(gè)學(xué)習(xí)它的理由!
最近Python有點(diǎn)火？這篇文章主要為大家分享了7個(gè)你現(xiàn)在就該學(xué)習(xí)Python的理由，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-06-06
本文主要介紹了python 提高性能的方法。具有很好的參考價(jià)值，下面跟著小編一起來(lái)看下吧2017-03-03
這篇文章主要介紹了python 兩種方法刪除空文件夾，幫助大家更好的利用python處理文件，感興趣的朋友可以了解下2020-09-09
Python調(diào)用ctypes使用C函數(shù)printf的方法
這篇文章主要介紹了Python調(diào)用ctypes使用C函數(shù)printf,需要的朋友可以參考下2017-08-08
這篇文章主要介紹了python zip()的使用示例，幫助大家更好的理解和學(xué)習(xí)python，感興趣的朋友可以了解下2020-09-09
使用Python實(shí)現(xiàn)廣告點(diǎn)擊率預(yù)測(cè)
廣告點(diǎn)擊率是指有多少用戶點(diǎn)擊了您的廣告與有多少用戶查看了您的廣告的比率,本文主要為大家介紹了如何使用Python實(shí)現(xiàn)廣告點(diǎn)擊率預(yù)測(cè),感興趣的小伙伴可以了解下2023-10-10
探究Python的Tornado框架對(duì)子域名和泛域名的支持
這篇文章主要介紹了探究Python的Tornado框架對(duì)子域名和泛域名的支持,Tornado作為一個(gè)典型的異步框架、在Python開(kāi)發(fā)者中的人氣相當(dāng)高,需要的朋友可以參考下2015-05-05
Pytorch使用shuffle打亂數(shù)據(jù)的操作
這篇文章主要介紹了Pytorch使用shuffle打亂數(shù)據(jù)的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-05-05
Python分布式進(jìn)程中你會(huì)遇到的問(wèn)題解析
這篇文章主要介紹了Python分布式進(jìn)程中你會(huì)遇到的問(wèn)題，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-05-05