基于TensorFlow的Keras高级API实现手写体数字识别

前言

这个项目的话我也是偶然在B站看到一个阿婆主&＃xff08;SvePana&＃xff09;在讲解这个&＃xff0c;跟着他的视频敲的代码并学习起来的。并写在自己这里做个笔记也为大家提供代码哈哈哈哈。

一、Keras&＃xff1f;

1.Keras简介

Keras是由纯python编写的基于theano/tensorflow的深度学习框架。 Keras是一个高层神经网络API&＃xff0c;支持快速实验&＃xff0c;能够把你的idea迅速转换为结果&＃xff0c;如果有如下需求&＃xff0c;可以优先选择Keras。

2.为什么

目前Keras已经被TensorFlow收录&＃xff0c;添加到TensorFlow 中&＃xff0c;成为其默认的框架&＃xff0c;成为TensorFlow官方的高级API。Keras简易和快速的原型设计&＃xff08;keras具有高度模块化&＃xff0c;极简&＃xff0c;和可扩充特性&＃xff09;&＃xff0c;用户友好&＃xff1a;Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践&＃xff1a;Keras提供一致而简洁的API&＃xff0c; 能够极大减少一般应用下用户的工作量&＃xff0c;同时&＃xff0c;Keras提供清晰和具有实践意义的bug反馈。

二、全连接神经网络实现

1.思路

导入数据-------> 选择模型------>设计神经网络------->编译------->训练权重参数------->预测

2.实现代码

定义函数 train() 实现&＃xff08;导入数据———>训练权重参数&＃xff09;。
定义函数 text() 实现 预测及输出结果。

导入数据&＃xff1a;mnist &＃61; tf.keras.datasets.mnist #导入mnist
选择模型&＃xff1a;model &＃61; tf.keras.models.Sequential()
有两种类型的模型&＃xff0c;序贯模型&＃xff08;Sequential&＃xff09;和函数式模型&＃xff08;Model&＃xff09;&＃xff0c;函数式模型应用更为广泛&＃xff0c;序贯模型是函数式模型的一种特殊情况。
序贯模型&＃xff08;Sequential) &＃xff1a;单输入单输出&＃xff0c;一条路通到底&＃xff0c;层与层之间只有相邻关系&＃xff0c;没有跨层连接。这种模型编译速度快&＃xff0c;操作也比较简单&＃xff1b;

设计神经网络&＃xff1a;

tf.keras.layers.Flatten(input_shape&＃61;(28,28)),tf.keras.layers.Dense(512,activation&＃61;&＃39;relu&＃39;),tf.keras.layers.Dense(128,activation&＃61;&＃39;relu&＃39;),tf.keras.layers.Dense(10,activation&＃61;&＃39;softmax&＃39;,kernel_regularizer&＃61;tf.keras.regularizers.l2())


编译&＃xff1a;

model.compile(optimizer &＃61; 优化器&＃xff0c;loss &＃61; 损失函数&＃xff0c;metrics &＃61; ["准确率”]&＃39;)


训练权重参数&＃xff1a;

history &＃61; model.fit(x_train,y_train,batch_size&＃61;每次训练图片数量,epochs&＃61;训练次数,
validation_data&＃61;(x_test,y_test),validation_freq&＃61;1,callbacks&＃61;[cp_callback])
model.summary()


train函数全部代码

def train():mnist &＃61; tf.keras.datasets.mnist #导入mnist(x_train,y_train),(x_test,y_test) &＃61; mnist.load_data() #分割x_train,x_test &＃61;x_train/255.0, x_test/255.0model &＃61; tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape&＃61;(28,28)),tf.keras.layers.Dense(512,activation&＃61;&＃39;relu&＃39;),tf.keras.layers.Dense(128,activation&＃61;&＃39;relu&＃39;),tf.keras.layers.Dense(10,activation&＃61;&＃39;softmax&＃39;,kernel_regularizer&＃61;tf.keras.regularizers.l2())])model.compile(optimizer&＃61; &＃39;adam&＃39;,loss&＃61;tf.keras.losses.SparseCategoricalCrossentropy(from_logits&＃61;False),metrics&＃61;[&＃39;sparse_categorical_accuracy&＃39;])#评价指标 categorical_accuracy和 sparse_categorical_accuracy#注意修改路径checkpoint_save_path&＃61;"C:/Users/VULCAN/sxti/TEST/Disconnect_detection/mnist.ckpt"if os.path.exists(checkpoint_save_path &＃43; &＃39;.index&＃39;):print(&＃39;------load the model--------&＃39;)model.load_weights(checkpoint_save_path)cp_callback &＃61; tf.keras.callbacks.ModelCheckpoint(filepath&＃61;checkpoint_save_path,save_weights_only&＃61;True,save_best_only&＃61;True)#断点续训history &＃61; model.fit(x_train,y_train,batch_size&＃61;25,epochs&＃61;30,validation_data&＃61;(x_test,y_test),validation_freq&＃61;1,callbacks&＃61;[cp_callback])model.summary()#以下为打印训练准确率及损失率等acc &＃61; history.history[&＃39;sparse_categorical_accuracy&＃39;]val_acc &＃61; history.history[&＃39;val_sparse_categorical_accuracy&＃39;]loss &＃61; history.history[&＃39;loss&＃39;]val_loss &＃61; history.history[&＃39;val_loss&＃39;]f &＃61; Figure(figsize&＃61;(6,6),dpi&＃61;60)a &＃61; f.add_subplot(1,2,1)a.plot(acc,label &＃61; &＃39;Training Accuracy&＃39;)a.plot(val_acc,label &＃61; &＃39;Validation Accuracy&＃39;)#验证精度a.legend() b &＃61; f.add_subplot(1,2,2)b.plot(loss,label &＃61; &＃39;Training Loss&＃39;)b.plot(val_loss,label &＃61; &＃39;Validation Loss&＃39;)b.legend() canvas &＃61; FigureCanvasTkAgg(f,master&＃61;root)canvas.draw()canvas.get_tk_widget().place(x&＃61;60,y&＃61;100)


test函数全部代码

#预测结果打印
def text():#注意修改路径与函数train上面保存的路径一致model_save_path &＃61; "C:/Users/VULCAN/sxti/TEST/Disconnect_detection/mnist.ckpt"model &＃61; tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape&＃61;(28,28)),tf.keras.layers.Dense(512,activation&＃61;&＃39;relu&＃39;),tf.keras.layers.Dense(128,activation&＃61;&＃39;relu&＃39;),tf.keras.layers.Dense(10,activation&＃61;&＃39;softmax&＃39;,kernel_regularizer&＃61;tf.keras.regularizers.l2())])model.load_weights(model_save_path)for i in range(1):img &＃61; Image.open("tem2.png")#强制压缩为28&＃xff0c;28img &＃61; img.resize((28,28),Image.ANTIALIAS)#将原有图像转换为灰度图img_arr &＃61; np.array(img.convert("L"))#图片反相for i in range(28):for j in range(28):if img_arr[i][j]<100:img_arr[i][j]&＃61;255else:img_arr[i][j]&＃61; 0img_arr &＃61; img_arr/255.0x_predict &＃61; img_arr[tf.newaxis,...]result &＃61; model.predict(x_predict)pred &＃61; np.argmax(result , axis &＃61; 1)#在GUI界面显示结果e4 &＃61; l &＃61; tk.Label(root,text &＃61; pred, bg&＃61;"white",font&＃61;("Arial,12"),width&＃61;8)e4.place(x&＃61;990,y&＃61;440)


三、GUI设计

这部分我直接附上代码并在代码中作必要的注释。

全部所需的库函数&＃xff1a;

#使用Tkinter前需要先导入
import tkinter as tk
#导入对话框模块
import tkinter.filedialog
#创建画布需要的库
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
#创建工具栏需要的库
from matplotlib.backends.backend_tkagg import NavigationToolbar2Tk
#快捷键需要的模块2
from matplotlib.backend_bases import key_press_handler
#导入绘图需要的模块
from matplotlib.figure import Figure
import cv2
import tensorflow as tf
import os
import numpy as np
from matplotlib import pyplot as plt
from PIL import Image,ImageTk

其他关于图片文件的导入及摄像头调用的函数定义代码&＃xff1a;

#调取摄像头并拍摄图片
def buttonl():capture &＃61; cv2.VideoCapture(0) #cv2模块调取摄像头while(capture.isOpened()):ret,frame &＃61; capture.read() #ret表示捕获是否成功frame &＃61; frame[:,80:560] #拍照默认为640*480cv2.imwrite("tem1.png",frame)dig_Gray &＃61; cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)ref2,dig_Gray &＃61; cv2.threshold(dig_Gray,100,255,cv2.THRESH_BINARY)cv2.imwrite("tem2.png",dig_Gray)breakglobal photo1,photo2#将图片显示到界面上img1 &＃61; Image.open("tem1.png")img1 &＃61; img1.resize((128,128))photo1 &＃61; ImageTk.PhotoImage(img1)l1 &＃61; tk.Label(root,bg&＃61;"red",image &＃61; photo1).place(x&＃61;950,y&＃61;100)img2 &＃61; Image.open("tem2.png")img2 &＃61; img2.resize((128,128))photo2 &＃61; ImageTk.PhotoImage(img2)l2 &＃61; tk.Label(root,bg&＃61;"red",image &＃61; photo2).place(x&＃61;950,y&＃61;250)#保存当前摄像头画面
def frame():capture &＃61; cv2.VideoCapture(0)#控件定义while(capture.isOpened()):ref,frame &＃61; capture.read()frame &＃61; frame[:,80:560]cvimage &＃61; cv2.cvtColor(frame,cv2.COLOR_BGR2RGBA)pilImage &＃61; Image.fromarray(cvimage)pilImage &＃61; pilImage.resize((360,360),Image.ANTIALIAS)tkImage &＃61; ImageTk.PhotoImage(image &＃61; pilImage)canvas.create_image(0,0,anchor &＃61; "nw",image &＃61; tkImage)root.update()root.after(10)
#选择文件
def select_pic():file_path &＃61; tk.filedialog.askopenfilename(title&＃61;"选择文件",initialdir &＃61; (os.path.expanduser(r"")))image &＃61; Image.open(file_path)image.save("tem1.png")gray &＃61; image.convert("L")gray.save("tem2.png")global photo3,photo4
#将图片显示在界面上img3 &＃61; Image.open("tem1.png")img3 &＃61; image.resize((128,128))photo3 &＃61; ImageTk.PhotoImage(img3)l3 &＃61; tk.Label(root,bg&＃61;"red",image &＃61; photo3).place(x&＃61;950,y&＃61;100)img4 &＃61; Image.open("tem2.png")img4 &＃61; img4.resize((128,128))photo4 &＃61; ImageTk.PhotoImage(img4)l4 &＃61; tk.Label(root,bg&＃61;"red",image &＃61; photo4).place(x&＃61;950,y&＃61;250)


主函数部分&＃xff1a;

if __name__ &＃61;&＃61;&＃39;__main__&＃39;:root &＃61; tk.Tk()#第二步&＃xff0c;给窗口的可视化起名字root.title(&＃39;手写体数字识别&＃39;)#第三步&＃xff0c;设定窗口的大小&＃xff08;长*宽&＃xff09;root.geometry(&＃39;1176x520&＃39;) #这里的乘是小xroot.configure(bg &＃61; "#C0C0C0")f &＃61; Figure(figsize&＃61;(6,6), dpi&＃61;60)a&＃61;f.add_subplot(1,2,1) #添加子图&＃xff1a;1行1列第一个a.plot(0,0)b&＃61;f.add_subplot(1,2,2) #添加子图&＃xff0c;1行1列第二个b.plot(0,0)#将绘制的图形显示到tkinter&＃xff1a;创建属于root的canvas画布&＃xff0c;并将图f置于画布上 canvas&＃61;FigureCanvasTkAgg(f,master&＃61;root)canvas.draw()#注意show方法已经过时&＃xff0c;改用drawcanvas.get_tk_widget().place(x&＃61;60,y&＃61;100)b1 &＃61; tk.Button(root,text&＃61;&＃39;训练&＃39;,bg&＃61;&＃39;white&＃39;,font&＃61;(&＃39;Arial&＃39;,12),width&＃61;12,height&＃61;1,command&＃61;train).place(x&＃61;168,y&＃61;35)b2 &＃61; tk.Button(root,text&＃61;&＃39;拍照&＃39;,bg&＃61;&＃39;white&＃39;,font&＃61;(&＃39;Arial&＃39;,12),width&＃61;12,height&＃61;1,command&＃61;frame).place(x&＃61;550,y&＃61;35)b3 &＃61; tk.Button(root,text&＃61;&＃39;测试&＃39;,bg&＃61;&＃39;white&＃39;,font&＃61;(&＃39;Arial&＃39;,12),width&＃61;12,height&＃61;1,command&＃61;text).place(x&＃61;960,y&＃61;35)b4 &＃61; tk.Button(root,text&＃61;&＃39;导入图片&＃39;,bg&＃61;&＃39;white&＃39;,font&＃61;(&＃39;Arial&＃39;,12),width&＃61;12,height&＃61;1,command&＃61;select_pic).place(x&＃61;680,y&＃61;35)b5 &＃61; tk.Button(root,text&＃61;&＃39;识别结果&＃39;,font&＃61;(&＃39;Arial&＃39;,12),bg&＃61;&＃39;white&＃39;).place(x&＃61;990,y&＃61;400)canvas&＃61;tk.Canvas(root,bg&＃61;"white",width&＃61;360,height&＃61;360) #绘制画布#控件位置设置canvas.place(x&＃61;500,y&＃61;100)b6&＃61;tk.Button(root,text&＃61;"保存",bg&＃61;"white",width&＃61;15,height&＃61;2,command&＃61;buttonl).place(x&＃61;620,y&＃61;420)#第六步&＃xff0c;主窗口循环显示root.mainloop()


最后附上界面