手写数字识别（python实现）

手写数字识别

这里一共三个文件，see_data.py（用来查看数据），myModel.py（自己建立的模型），Train_model_net.py（训练模型）

这个是我们的全部文件，上面的四个是我们的手写数字数据集，自己从其他地方随便就能下载，比如阿里云，训练集有60000个数字，测试集有10000个数字，还有训练集和测试集的标签文件。``

这个是see_data.py，用来查看数据，和对数据进行处理。

importwarningsfrommatplotlibimportMatplotlibDeprecationWarning warnings.filterwarnings("ignore",category=MatplotlibDeprecationWarning)importnumpyasnpimportstructfromtensorflow.keras.utilsimportto_categoricaldefload_mnist_images(filename):withopen(filename,'rb')asf:magic,num,rows,cols=struct.unpack(">IIII",f.read(16))images=np.fromfile(f,dtype=np.uint8).reshape(num,rows,cols)returnimagesdefload_mnist_labels(filename):withopen(filename,'rb')asf:magic,num=struct.unpack(">II",f.read(8))labels=np.fromfile(f,dtype=np.uint8)returnlabels# 加载训练图像train_images=load_mnist_images('train-images-idx3-ubyte/train-images.idx3-ubyte')# 加载训练标签train_labels=load_mnist_labels('train-labels-idx1-ubyte/train-labels.idx1-ubyte')train_labels_np=np.array(train_labels)train_one_hot_labels=to_categorical(train_labels_np,num_classes=10)# print(train_one_hot_labels[:10])# 加载测试图像test_images=load_mnist_images('t10k-images-idx3-ubyte/t10k-images.idx3-ubyte')# 加载测试标签test_labels=load_mnist_labels('t10k-labels-idx1-ubyte/t10k-labels.idx1-ubyte')test_labels_np=np.array(test_labels)test_one_hot_labels=to_categorical(test_labels_np,num_classes=10)# print("---------------")# print(test_one_hot_labels[:10])# # 打印一些信息# print("Number of images:", len(train_images))# print("Shape of each image:", train_images[0].shape)# # 打印一些信息# print("Number of labels:", len(train_labels))# print("First 10 labels:", train_labels[:10])# # 可以进一步处理标签，例如统计每个类别的数量# label_counts = np.bincount(train_labels)# print("Label counts:", label_counts)## # 显示第一个图像（可选）# import matplotlib.pyplot as plt# plt.imshow(train_images[0], cmap='gray')# plt.show()

这个是myModel.py，是我们的模型。

fromtensorflow.kerasimportlayers,modelsclassMyModel:def__init__(self):self.model=models.Sequential()self.model.add(layers.Dense(128,activation='relu',input_shape=(784,)))self.model.add(layers.Dropout(0.2))self.model.add(layers.Dense(64,activation='relu'))self.model.add(layers.Dropout(0.2))self.model.add(layers.Dense(10,activation='softmax'))deftrain(self,x_train,y_train,epochs=10,batch_size=32):self.model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])self.model.fit(x_train,y_train,epochs=epochs,batch_size=batch_size)defevaluate(self,test_images,test_labels):returnself.model.evaluate(test_images,test_labels)

这是Train_model_net.py，用来训练模型。

fromnumber_identify.see_dataimporttrain_images,train_labels,test_images,test_labelsimporttensorflowastfimportnumpyasnpimporttimefromnumber_identify.myModelimportMyModeldefreshape_images(images):num_images=images.shape[0]returnnp.array([image.reshape(-1)forimageinimages])start_time=time.time()# 将图像数据进行归一化处理，把像素值从0-255归一化到0-1范围，有助于模型训练train_images=reshape_images(train_images)test_images=reshape_images(test_images)train_images=train_images/255.0test_images=test_images/255.0train_labels=tf.keras.utils.to_categorical(train_labels,num_classes=10)test_labels=tf.keras.utils.to_categorical(test_labels,num_classes=10)# 假设x_train和y_train是已经准备好的训练数据my_model=MyModel()my_model.train(train_images,train_labels)# 在测试集上评估模型test_loss,test_accuracy=my_model.evaluate(test_images,test_labels)print(f"在测试集上的损失:{test_loss}")print(f"在测试集上的准确率:{test_accuracy}")

需要注意的是，有时候我们这里会爆红，但是可以运行，这是因为我们下载的包的版本可能不同。