Keras【Deep Learning With Python】keras框架下的MNIST数据集训练及自己手写数字照片的识别（分类神经网络）

前言

深度学习领域的“hello，world”可能就是这个超级出名的MNIST手写数字数据集的训练（想多了，要是有C++的helloworld简单就好了）。

在我这个项目中，除了最基本的对MNIST数据集进行训练，我还加入了以下功能：

可以运用热点图查看MNIST数据集中的图像
可以通过转换识别自己手写数字的照片

mnist_model.py

import keras
from keras.datasets import mnist
import matplotlib.pyplot as plt
import PIL
from PIL import Image
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
train_images.shape
len(train_labels)
train_labels
test_images.shape
len(test_labels)
test_labels
#导入MNIST数据集

'''plt.imshow(train_images[819], cmap=plt.get_cmap('gray'))
print(train_images[819])
print(train_labels[819])'''
#运用热点图查看MNIST数据集

from keras import models
from keras import layers
network = models.Sequential()
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(10,activation='softmax'))
#构建网络（含有两个dense层）

network.compile(optimizer='rmsprop',
                loss='categorical_crossentropy',
                metrics=['accuracy'])
#编译网络

train_images = train_images.reshape((60000,28*28))
train_images = train_images.astype('float32')/255
test_images = test_images.reshape((10000,28*28))
test_images = test_images.astype('float32')/255

from keras.utils import to_categorical

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

network.fit(train_images,train_labels,epochs=5,batch_size=128)
#训练循环

test_loss , test_acc = network.evaluate(test_images,test_labels)
print('test_acc:',test_acc)
#输出精度

此时，模型的训练就结束了，精度大概能稳定在98%左右

封装模型:

network.save('filename')

为了检验这个模型是否靠谱
我在ipad上的goodnote4中使用Apple pencil写下了10个数字，并将这10个数字单独保存

再创建第二个.py文件调用模型

predict.py

import numpy as np
from keras.models import load_model
import matplotlib.pyplot as plt
from PIL import Image

model = load_model('m_lenet.h5')

def pre_pic(picName):
    # 先打开传入的原始图片
    img = Image.open(picName)
    # 使用消除锯齿的方法resize图片
    reIm = img.resize((28,28),Image.ANTIALIAS)
    # 变成灰度图，转换成矩阵
    im_arr = np.array(reIm.convert("L"))
    return im_arr

im1 = pre_pic('9.jpg')
print('输入数字：')

plt.imshow(im1,cmap=plt.get_cmap('gray'))
plt.show

im1 = im1.reshape((1,28*28))
im1 = im1.astype('float32')/255

predict = model.predict_classes(im1)
print ('识别为：')
print (predict)

可以看到，识别我自己手写的数字，精度并没有测试集的精度高，只有50%的成功率，而且几张图片都被识别成了数字6，说明可能我的写法和MNIST数据集取样人群的写法有较大差异，同时也有可能是模型过拟合。但总的来说，至少看起来还有点人模狗样。