【深度学习】手写数字识别Tensorflow2实验报告

客官°小女子只卖身不卖艺 2022-10-12 04:21 417阅读 0赞

#  实验一：手写数字识别 #

# 一、实验目的 #

利用深度学习实现手写数字识别，当输入一张手写图片后，能够准确的识别出该图片中数字是几。输出内容是0、1、2、3、4、5、6、7、8、9的其中一个。

# 二、实验原理 #

（1）采用用全连接神经网络训练  
全连接神经网络模型是一种多层感知机(MLP)，感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面，感知机最具代表的是SVM支持向量机算法。神经网络同时借鉴了感知机和仿生学，通常来说，动物神经接受一个信号后会发送各个神经元，各个神经元接受输入后根据自身判断，激活产生输出信号后汇总从而实现对信息源实现识别、分类，一个典型的神经网络如下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

上图是典型的全连接神经网络模型(DNN),有的场合也称作深度神经网络，与传统的感知机不同，每个结点和下一层所有结点都有运算关系，这就是名称中‘全连接’的含义，在实践中全连接神经网络通常有多个隐藏层，增加隐藏层可以更好分离数据的特征，但过多的隐藏层也会增加训练时间以及产生过拟合。  
在训练全连接神经网络时，先是通过前向传播，得到预测结果，再反向传播去调整模型权重。  
（2）反向传播  
反向传播根据前向传播产生的损失函数值，沿输出端向至输入端优化每层之间参数，在此过程中运算利用梯度下降法优化参数，神经网络求解参数本质上仍然是规划中求最优解问题，现代机器学习框架如Tensorflow、pytorch、keras将梯度下降法、Booting、Bagging这些优化中常用技巧封装起来，开发者只要专注于数据建模即可。  
（3）训练mnist手写数字识别  
利用交叉熵作为损失函数实现对minist数据集的识别，minist数据集是手写数字的图像样本，DNN识别图像的过程就是把图像正确的归为0-9这10个数字，所以这是一个分类算法的实现。

# 三、实验内容 #

（1）训练模型  
数据集：采用TensorFlow2.3的TensorFlow-datasets内置的mnist数据集  
神经网络：全连接  
损失函数：分类交叉熵  
优化器：Adam  
评价准则：准确率  
Epochs：100  
（2）测试模型  
测试集：采用TensorFlow2.3的TensorFlow-datasets内置的mnist数据集，形状改为28\*28  
（3）环境

> Python 3.8  
> TensorFlow 2,3  
> Tensorflow\_datasets 2.1  
> scipy  
> numpy  
> PIL  
> matplotlib  
> scipy

# 四、实验过程 #

[源码下载][Link 1]  
（1）导入包

import os
    
    import scipy
    import tensorflow as tf
    import tensorflow_datasets as tfds
    import matplotlib.pyplot as plt
    import numpy as np
    from PIL import Image

（2）导入Mnist数据集并标准化数据

# 载入mnist数据集
    dataset, metadata = tfds.load("mnist", as_supervised=True, with_info=True)
    mnist = tf.keras.datasets.mnist
    
    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    x_train, x_test = x_train / 255.0, x_test / 255.0
    x_test, y_test = x_test / 255.0, y_test / 255.0

（3）搭建全连接模型

model = tf.keras.models.Sequential([
            tf.keras.layers.Flatten(),
            tf.keras.layers.Dense(128, activation=tf.nn.relu),
            tf.keras.layers.Dropout(0.2),
            tf.keras.layers.Dense(10, activation=tf.nn.softmax)
        ])

（4）训练模型并保存模型权重

# 模型保存路径
        checkpoint_path = "model/cp.ckpt"
        checkpoint_dir = os.path.dirname(checkpoint_path)
    
        # 创建一个保存模型权重的回调
        cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
                                                        save_weights_only=True,
                                                        verbose=1)
        # 训练模型的配置
        model.compile(optimizer='adam',
                      loss='sparse_categorical_crossentropy', metrics=['accuracy'])
        # 开始训练模型
        model.fit(x_train, y_train,
                  validation_data=(x_test, y_test),
                epochs=100,
                callbacks=[cp_callback])

（5）测试模型

path = './test_pic/mnist_train_0.jpg'
        im = Image.open(path)
        plt.imshow(im)
        plt.show()
        pic = np.array(img2vec(path))
        print("\n识别结果:\n{}".format(np.argmax(model.predict(pic.reshape(1, 28, 28)))))
        print()

（6）工具函数,把图片统一大小并二值化

def img2vec(path):
        ''' jpg转换为向量 Args: path: the path of your pic '''
        try:
            im = Image.open(path).convert('L')
            im = im.resize((28, 28))
            tmp = np.array(im)
            vec = tmp.ravel()
            return vec
        except:
            print("图片不存在")

# 五、实验分析 #

（1）训练过程  
Epoch=100，训练准确率能达到99.6%

Epoch 98/100
    1850/1875 [============================>.] - ETA: 0s - loss: 0.0117 - accuracy: 0.9962    
    Epoch 00098: saving model to model/cp.ckpt
    1875/1875 [==============================] - 3s 1ms/step - loss: 0.0118 - accuracy: 0.9962 - val_loss: 1.9510 - val_accuracy: 0.0000e+00
    Epoch 99/100
    1867/1875 [============================>.] - ETA: 0s - loss: 0.0121 - accuracy: 0.9962    
    Epoch 00099: saving model to model/cp.ckpt
    1875/1875 [==============================] - 3s 2ms/step - loss: 0.0121 - accuracy: 0.9962 - val_loss: 2.0950 - val_accuracy: 0.0000e+00
    Epoch 100/100
    1863/1875 [============================>.] - ETA: 0s - loss: 0.0113 - accuracy: 0.9961
    Epoch 00100: saving model to model/cp.ckpt
    1875/1875 [==============================] - 3s 1ms/step - loss: 0.0113 - accuracy: 0.9961 - val_loss: 1.8876 - val_accuracy: 0.0000e+00

（2）测试模型  
![在这里插入图片描述][20210703154121521.png]  
![在这里插入图片描述][2021070315413560.png]

保存mnist的200张图片作为预测使用，能准确预测出图片中的数字。

# 六、实验体会与心得 #

该手写数字识别是入门深度学习最简单的例子，数据集小，实现简单，通过对一个这个例子的实现，明白了深度学习的计算步骤。以及实现的流程。可以入门更难的例子。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221005/29cfcb9463bc4c2a83a1176ec7dc7b02.png
[Link 1]: https://github.com/823316627bandeng/TensorFlow2_keras_Demo-
[20210703154121521.png]: /images/20221005/ec01a1fb4c674ea39475fb7fa0413706.png
[2021070315413560.png]: /images/20221005/d537327d9a614f95be8ffe21dfeac6cf.png