环境:Python+keras,后端为Tensorflow
训练集:MNIST
对于如何训练一个识别手写数字的神经网络,网上资源十分丰富,并且能达到相当高的精度。但是很少有人涉及到如何将图片输入到网络中并让已经训练好的模型惊醒识别,下面来说说实现方法及注意事项。
首先import相关库,这里就不说了。
然后需要将训练好的模型导入,可通过该语句实现:
model = load_model('cnn_model_2.h5') (cnn_model_2.h5替换为你的模型名)
之后是导入图片,需要的格式为28*28。可用opencv导入:
img = cv2.imread('temp3.png', 0) (temp3.png替换为你手写的图片)
然后reshape一下以符合模型的输入要求:
img = (img.reshape(1,1,28,28)).astype("float32")/255
之后就可以用模型识别了:
predict = model.predict_classes(img)
最后print一下predict即可。
下面划重点:因为MNIST使用的是黑底白字的图片,所以你自己手写数字的时候一定要注意把得到的图片也改成黑底白字的,否则会识别错(至少我得到的结论是这样的 ,之前用白底黑字的图总是识别出错)
源码一览:
import cv2 import numpy as np from keras.models import load_model model = load_model('cnn_model_2.h5') image = cv2.imread('temp3.png', 0) img = cv2.imread('temp3.png', 0) img = (img.reshape(1,1,28,28)).astype("float32")/255 predict = model.predict_classes(img) print ('识别为:') print (predict) cv2.imshow("Image1", image) cv2.waitKey(0)
效果图:
补充知识:keras编写自定义的层
写在前面的话
keras已经有很多封装好的库供我们调用,但是有些时候我们需要的操作keras并没有,这时就需要学会自定义keras层了
1.Lambda
这个东西很方便,但是只能完成简单、无状态的自定义操作,而不能建立含有可训练权重的自定义层。
from keras.layers import Input,Lambda from keras import Model import tensorflow as tf input=Input(shape=(224,224,3)) input.shape #Input第一个维度为batchsize维度 output=Lambda(lambda x: x[...,1])(input) #取最后一个维度的数据,...表示前面所有的维度 Model=Model(inputs=input,outputs=output) Model.output
2.keras_custom
学习自keras中文文档
2.自定义keras层(带有可训练权重) ① build:定义权重,且self.build=True,可以通过迪奥哟经super([layer],self).build()完成 ② call:功能逻辑实现 ③ compute_output_shape:计算输出张量的shape import keras.backend as K from keras.engine.topology import Layer #这里的Layer是一个父类,下面的MyLayer将会继承Layer class MyLayer(Layer): #自定义一个keras层类 def __init__(self,output_dim,**kwargs): #初始化方法 self.output_dim=output_dim super(MyLayer,self).__init__(**kwargs) #必须要的初始化自定义层 def build(self,input_shape): #为Mylayer建立一个可训练的权重 #通过add_weight的形式来为Mylayer创建权重矩阵 self.kernel=self.add_weight(name='kernel', shape=(input_shape[1],self.output_dim), #这里就是建立一个shape大小的权重矩阵 initializer='uniform', trainable=True) super(MyLayer,self).build(input_shape) #一定要用,也可以用下面一行 #self.build=True def call(self,x): #call函数里就是定义了对x张量的计算图,且x只是一个形式,所以不能被事先定义 return K.dot(x,self.kernel) #矩阵乘法 def compute_output_shape(self,input_shape): return (input_shape[0],self.output_dim) #这里是自己手动计算出来的output_shape -------------------------------------------------------------------------------- class Mylayer(Layer): def __init__(self,output_dim,**kwargs): self.output_dim=output_dim super(MyLayer,self).__init__(**kwargs) def build(self,input_shape): assert isinstance(input_shape,list) #判断input_shape是否是list类型的 self.kernel=self.add_weight(name='kernel', shape=(input_shape[0][1],self.output_dim), #input_shape应该长得像[(2,2),(3,3)] initializer='uniform', trainable=True) super(MyLayer,self).build(input_shape) def call(self,x): assert isinstance(x,list) a,b=x #从这里可以看出x应该是一个类似[(2,2),(3,3)]的list,a=(2,2),b=(3,3) return [K.dot(a,self.kernel)+b,K.mean(b,axis=-1)]
以上这篇使用已经得到的keras模型识别自己手写的数字方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
P70系列延期,华为新旗舰将在下月发布
3月20日消息,近期博主@数码闲聊站 透露,原定三月份发布的华为新旗舰P70系列延期发布,预计4月份上市。
而博主@定焦数码 爆料,华为的P70系列在定位上已经超过了Mate60,成为了重要的旗舰系列之一。它肩负着重返影像领域顶尖的使命。那么这次P70会带来哪些令人惊艳的创新呢?
根据目前爆料的消息来看,华为P70系列将推出三个版本,其中P70和P70 Pro采用了三角形的摄像头模组设计,而P70 Art则采用了与上一代P60 Art相似的不规则形状设计。这样的外观是否好看见仁见智,但辨识度绝对拉满。