深度学习|深度学习day04-MNIST手写数字识别与模型使用 python|python|计算机视觉|机器学

本文大概分为以下几个部分：手写数字识别原理（不强相关）、具体代码实现（算上import和空行一共50行代码不到）、训练出来的模型怎么使用。
目录
一、手写数字识别原理
二、具体代码实现
三、训练出来的模型怎么使用

一、手写数字识别原理数字手写体识别由于其有限的类别（0~9共10个数字）成为了相对简单的手写识别任务。DBRHD和MNIST是常用的两个数字手写识别数据集，我们这次使用的就是MNIST。
怎样识别数字呢？这是一个矩阵，每一个点的数值根据我们之前所说的0-255呈现出黑色到白不同的颜色，大家可以看出来这是一个 7 一个 2

文章图片

文章图片

你可以通过这个矩阵想象出黑白色上他究竟是什么样子吗（上图中每一个格子都是长方形，所以数字看着显宽，而实际中矩阵的长款都是相等的，所以上图中我们看数字，尽量忽略掉颜色）
它们真实的样子是这样的：

文章图片

我们可以实际对比一下是不是数字越小，颜色越黑，可以注意一下边边角角:

文章图片

文章图片

而在我们的架构中：

文章图片

机器通过学习0-9的数字走向，最后得出这张图分别是0-9的概率是多大。老规矩，保持兴趣，以后我们再深入理解，现在我们开始动手了！
二、具体代码实现先让我们看一看我们的数字：没有注释的地方都在前两天已经说过哦，不重复解释了

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from tensorflow.keras import datasets,layers,optimizers,lossesdef show_pic(X_train,Y_train): pic_arr = X_train[:9,:,:] pic_ind = Y_train[:9] plt.figure() for i in range(9): plt.subplot(3, 3, i+1) plt.imshow(pic_arr[i,:,:],cmap='gray') plt.title(str(pic_ind[i])) plt.show()//获取Keras自带的mnist数据集分为训练集（(X_train,Y_train)）和验证集（(X_test,Y_test)） (X_train,Y_train),(X_test,Y_test) = datasets.mnist.load_data()show_pic(X_train,Y_train) show_pic(X_test,Y_test)

其中X对应的是矩阵，也就是图像；而Y对应的则是图像的数字。比如一张图像 X 是数字9的矩阵，则对应的 Y 就是9这个数字

文章图片

看到这些数字了，接下来我们训练模型，在刚才的代码块后面：

X_train = np.reshape(X_train,[60000,28*28]) X_test = np.reshape(X_test,[10000,28*28])y_train = title_Y(Y_train,10) y_test = title_Y(Y_test,10)//建立一个模型，里面是三层全连接，格式都是固定的，最后一次的数字由于我有0-9十个选项，所以写10 model = tf.keras.Sequential([ layers.Dense(700, activation='relu'), layers.Dense(350,activation='relu'), layers.Dense(10,activation='softmax') ])//定义损失和优化函数，不懂原理的可以直接这么写，之前也有介绍 opt = optimizers.SGD(learning_rate=0.001) loss = losses.CategoricalCrossentropy()//创建这个模型 model.build(input_shape=[None,784]) //定义优化，损失，准确率 model.compile(optimizer=opt,loss=loss,metrics=['accuracy']) //训练次数，执行到这一句，就开始训练了 model.fit(x=X_train,y=y_train,batch_size=100,epochs=25,validation_data=https://www.it610.com/article/(X_test,y_test))

准确率会逐步提升，当然也有可能下降一段时间

文章图片

三、训练出来的模型怎么使用首先用save()将我们的模型全部保存下来，.h5是专属后缀

model.save('model.h5')

之后我们可以使用这个命令导入我们曾经保存的模型：

model = tf.keras.models.load_model('model.h5')

这样就可以对单独一张图进行预测了，当然，具体是保存整个模型，还是只保存权重，后来发现也是有不一样的，各有优势，更多的模型保存问题和选择会在下一篇详细介绍。
更新：
深度学习TensorFlow---保存和加载 Keras 模型_昊昊该干饭了的博客-CSDN博客目录Keras简介保存整个模型保存模型的权重Keras简介Keras 模型由多个组件组成：架构或配置，它指定模型包含的层及其连接方式。一组权重值（即“模型的状态”）。优化器（通过编译模型来定义）。一组损失和指标（通过编译模型或通过调用add_loss()或add_metric()来定义）。我们可以通过 Keras API 将这些片段一次性保存到磁盘，或仅选择性地保存其中一些片段：将所有内容以 TensorFlow SavedModel 格式（或较早的...https://blog.csdn.net/qq_52213943/article/details/123842076
写在最后：思考与学习的过程可能会很难，也很慢，你在短时间内也不一定能想清楚，它可能需要花费你1个月、1年，甚至更长的时间...但是，你千万别放弃，它值得你用那么长的时间来思考，因为一旦想清楚，你的人生可能就会从此不同！
你有多长时间只顾低头赶路而忽略了路边的风景呢？
【深度学习|深度学习day04-MNIST手写数字识别与模型使用】