TensorFlow 入门 (基于Keras) 手写数字识别保存导入

文章目录

‍♂️一、Keras是什么？
- ‍♂️1.引入库
- ‍♀️2.读入数据
- ‍♂️ 3.数据处理
- ‍♀️4. 构建神经模型
- ‍♂️5.绘制模型
- ‍♂️6.模型编译
- 臘‍♂️7.训练模型
- ‍♂️8.优化过程绘图
- 淪‍♀️9.保存模型权重
魯‍♀️三.导入保存好的模型
- 模型导入
‍♀️四.完整代码
- 律‍♀️第一部分
- 輪‍♂️第二部分(外部导入)
总结

前言
提示：第一次写博客记录学习过程如有不对地方希望能指出：

|@Auth | HeisitHe|
|@IDE  | PyCharm  |
| @Motto|  (Always Be Coding) |
|@Function|作用见文件名|

	版本
python	3.9.12
TensorFlow-Gpu	2.9.0
GPU	RTX2060
CUDA	11.6
cudnn	8.3.3.40

提示：以下是本篇文章正文内容，下面案例可供参考

‍♂️一、Keras是什么？

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。Keras在代码结构上由面向对象方法编写，完全模块化并具有可扩展性。

#二、搭建步骤

‍♂️1.引入库

代码如下：

from keras.models import Sequential     #构建序列化模型  搭建神经网络模型骨架
from keras.layers import Conv2D, MaxPool2D ,Dense, Flatten ,Dropout    #使用 Conv2D 进行2d卷积运算  , MaxPoll2D 用于池化层 运算取最大值
#Dense 分类器使用  Flatten用于多维数据压缩 过渡为全连接层  Dropout 放在全连接层后面 防止过拟合 提升模型泛化能力
from keras.utils import np_utils    # 独热编码 将类别向量转化为 0,1矩阵 减小计算量 加速收敛
import tensorflow as tf
from keras.datasets import mnist     #导入手写数字级 第一次导入需下载
import matplotlib.pyplot as plt     #经典绘图库
from keras.utils.vis_utils import plot_model   #绘制 神经模型

进入正题

‍♀️2.读入数据

代码如下：

(x_train,y_train),(x_test,y_test)=mnist.load_data() //导入数据 mnist 库 包含 60000张 手写数字 训练集 10000 张测试集

‍♂️ 3.数据处理

img = 28
#验证集  10000
x_val=x_train[50000:]
y_val=y_train[50000:]
#训练集  50000
x_train=x_train[:50000]
y_train=y_train[:50000]

x_train = x_train.reshape(x_train.shape[0], img, img, 1).astype('float32')    #将图像转换为4维矩阵 放入训练 
#将数据类型由 Uint 8 转为 float32 提高精确率
x_val =x_val.reshape((x_val.shape[0], img, img, 1)).astype('float32')
x_test = x_test.reshape(x_test.shape[0], img, img, 1).astype('float32')
# 原始图像数据的像素灰度值范围是 0-255  像数值比例缩小
x_train /= 255
x_test /= 255
#独热化 将三维维矩阵 值 转化为 0，1  10个类别
y_train = np_utils.to_categorical(y_train, 10)  
y_test =np_utils.to_categorical(y_test, 10)
y_val = np_utils.to_categorical(y_val,10)

‍♀️4. 构建神经模型

采用序列模型 Sequential() 搭建模型骨架本节搭建了两个卷积层两个池化层两个全连接层分类输出
用 softmax 做 0-9 的 10 分类

in_channels=in_channel 输入通道数，即输入数据的通道数
out_channels=10 输出通道数，即输出数据的通道数
kernel_size 卷积核大小，一般是int，也可tuple，如3【表示3x3】；（5，4）【表示5x4】
stride=1 卷积移动的步长
padding=padding 是否用0 填充数据四周

model=Sequential()
//                
model.add(Conv2D(filters=30, kernel_size=(5, 5), activation='relu', input_shape=(28, 28, 1)))      
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(filters=32, kernel_size=(5, 5), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Dropout(0.2))
#Dropout 放在全连接层后面 防止过拟合 提升模型泛化能力
model.add(Dense(100, activation='relu'))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='adam',
               loss='categorical_crossentropy',
              metrics=['accuracy'])

‍♂️5.绘制模型

plot_model(model, to_file='model.jpg', show_shapes=True, show_layer_names=True, rankdir='TB')
plt.figure(figsize=(5, 5))    #显示图片大小
img = plt.imread("model.jpg")    
plt.imshow(img)
plt.axis('off')     #关闭坐标
plt.show()
model.summary()

ImportError: You must install pydot (`pip install pydot`) and install graphviz (see instructions at https://graphviz.gitlab.io/download/) for plot_model/model_to_dot to work.
点击查看解决详情

创建的模型

‍♂️6.模型编译

compile 编译模型内包含定义损失函数、优化器、评估指标等参数

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

臘‍♂️7.训练模型

history = model.fit(x=x_train, y=y_train, 
epochs=20, batch_size=128, verbose=2，
validation_data=(x_val,y_val),validation_batch_size=10) 
#validation 验证集
# batch_size 每次训练放入大小 一撮 
#verbose = 0，在控制台没有任何输出   verbose = 1 ：显示进度条     verbose = 2：为每个epoch输出一行记录
evaluate=model.evaluate(x_test,y_test)    #模型评估 测试集 测试精度作为最终模型好坏评估标准
loss=evaluate[0]
accuracy=evaluate[0]

‍♂️8.优化过程绘图

def draw(history,loss,accuracy):
    fontproperties = "SimHei"
    plt.plot(history.history[loss],color="r")
    plt.plot(history.history[accuracy],color="b")
    plt.title('优化曲线',fontproperties="SimHei")
    plt.xlabel("轮数",fontproperties='SimHei')
    plt.ylabel("值",fontproperties='SimHei')
    plt.legend(['loss', 'accuracy'], loc='best')
    x_major_locator = MultipleLocator(1)
    # # 把x轴的刻度间隔设置为1，并存在变量里
    y_major_locator = MultipleLocator(0.05)
    # 把y轴的刻度间隔设置为0.01，并存在变量里
    ax = plt.gca()
    # ax为两条坐标轴的实例
    ax.xaxis.set_major_locator(x_major_locator)
    # 把x轴的主刻度设置为1的倍数
    ax.yaxis.set_major_locator(y_major_locator)
    # 把y轴的主刻度设置为10的倍数
    plt.ylim(0,1)
    plt.show()

训练集更新

验证集更新

淪‍♀️9.保存模型权重

model.save("./model/handwritten_numeral_recognition.h5")

魯‍♀️三.导入保存好的模型 模型导入

from keras.models import load_model
model = load_model("./model/handwritten_numeral_recognition.h5")
model.summary()

继续训练直接model.fit()

‍♀️四.完整代码律‍♀️第一部分

from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D
from keras.layers import Dense, Flatten ,Dropout
from keras.utils import np_utils
from keras.datasets import mnist
import matplotlib.pyplot as plt
from matplotlib.pyplot import MultipleLocator



def data_Process():

    (x_train,y_train),(x_test,y_test)=mnist.load_data()
    #数据预处理
    #验证集  10000
    x_val=x_train[50000:]
    y_val=y_train[50000:]
    #训练集  50000
    x_train=x_train[:50000]
    y_train=y_train[:50000]
    img = 28
    # 将图像转换为4维矩阵 放入训练
    x_val =x_val.reshape((x_val.shape[0], img, img, 1)).astype('float32')
    # 将数据类型由 Uint 8 转为 float32 提高精确率
    x_train = x_train.reshape(x_train.shape[0], img, img, 1).astype('float32')
    x_test = x_test.reshape(x_test.shape[0], img, img, 1).astype('float32')
    # 原始图像数据的像素灰度值范围是 0-255  像数值比例缩小
    x_train /= 255
    x_test /= 255
    # 独热化 将三维维矩阵 值 转化为 0，1  10个类别
    y_train = np_utils.to_categorical(y_train,10)
    y_val = np_utils.to_categorical(y_val,10)
    y_test = np_utils.to_categorical(y_test,10)
    return x_train,x_val,x_test,y_train,y_val,y_test

def cnn_Model():
    model=Sequential()
    model.add(Conv2D(filters=30, kernel_size=(5, 5), activation='relu', input_shape=(28, 28, 1)))
    model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
    model.add(Conv2D(filters=32, kernel_size=(5, 5), activation='relu', input_shape=(28, 28, 1)))
    model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
    model.add(Flatten())
    model.add(Dropout)        #Dropout 放在全连接层后面 防止过拟合 提升模型泛化能力
    model.add(Dense(100, activation='relu'))
    model.add(Dense(10, activation='softmax'))
    model.compile(optimizer='adam',
                   loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model



def draw(history,loss,accuracy):
    fontproperties = "SimHei"
    plt.plot(history.history[loss],color="r")
    plt.plot(history.history[accuracy],color="b")
    plt.title('优化曲线',fontproperties="SimHei")
    plt.xlabel("轮数",fontproperties='SimHei')
    plt.ylabel("值",fontproperties='SimHei')
    plt.legend(['loss', 'accuracy'], loc='best')
    x_major_locator = MultipleLocator(1)
    # # 把x轴的刻度间隔设置为1，并存在变量里
    y_major_locator = MultipleLocator(0.05)
    # 把y轴的刻度间隔设置为0.01，并存在变量里
    ax = plt.gca()
    # ax为两条坐标轴的实例
    ax.xaxis.set_major_locator(x_major_locator)
    # 把x轴的主刻度设置为1的倍数
    ax.yaxis.set_major_locator(y_major_locator)
    # 把y轴的主刻度设置为10的倍数
    # plt.ylim(0,1)
    plt.show()

def run():
    x_train,x_val,x_test,y_train,y_val,y_test =data_Process()
    history = cnn_Model().fit(x_train, y_train, epochs=30, batch_size=128, verbose=1,validation_data=(x_val,y_val),validation_batch_size=10)

    evaluate=cnn_Model().evaluate(x_test,y_test)    #评估值 accuracy  loss 只有有1个
    print(evaluate)
    print("-" * 20)
    print(history.history["accuracy"])     # history 对象 保存了每一轮训练过程的 loss accuracy 字典对象
    print("-"*20)
    cnn_Model().save("./模型/handwritten_numeral_recognition.h5")
    draw(history, "loss", "accuracy")
    draw(history, "val_loss", "val_accuracy")

if __name__=="__main__":
    run()

輪‍♂️第二部分(外部导入)

import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import keras.datasets.mnist

(x_train,y_train),(x_test,y_test)=keras.datasets.mnist.load_data()

model=keras.models.load_model(r"../model/handwritten_numeral_recognition.h5")
model.summary()
#
#
#  导入照片时 注意图片大小   训练大小为 28*28  96 px * 96 px

for i in range(10):
    img = plt.imread('./picture/%d'%(i)+'.jpg')

    image=Image.open('./picture/%d'%(i)+'.jpg')
    image = image.convert('L')   # 图片灰度化
    test_my_img=image.resize((28,28))    #修改图片大小

    date=np.asarray(test_my_img)     # 图片转为 np数组
    test_my_img = date.reshape(1,28,28,1)     
    p = model.predict(test_my_img)
    predicte=np.argmax(p[0])
    print(predicte)
    plt.title(predicte)
    plt.imshow(img)
    plt.show()

总结

	抛砖引玉，我的学习记录，希望能给到你帮助。
	水平有限，有错误的地方  希望能提出 改正

TensorFlow 入门 (基于Keras) 手写数字识别 保存 导入

Python相关栏目本月热门文章

TensorFlow 入门 (基于Keras) 手写数字识别保存导入