Python|使用 Tensorflow 对手写数字进行分类

分类手写数字是机器学习的基本问题，可以通过多种方式解决，这里我们将使用 TensorFlow 来实现它们
使用带有 tf.contrib.learn 的线性分类器算法
线性分类器通过基于特征的线性组合的值（也称为特征值）进行选择来实现手写数字的分类，并且通常以称为特征向量的向量呈现给机器。
所需模块：
数字货币：

$ pip install numpy 

Matplotlib：

$ pip install matplotlib 

张量流：

$ pip install tensorflow 

要遵循的步骤

第 1 步：导入所有依赖项

Python3

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
 
learn = tf.contrib.learn
 
tf.logging.set_verbosity(tf.logging.ERROR)

第 2 步：使用 MNIST 数据导入数据集

Python3

mnist = learn.datasets.load_dataset('mnist')
data = mnist.train.images
labels = np.asarray(mnist.train.labels, dtype=np.int32)
test_data = mnist.test.images
test_labels = np.asarray(mnist.test.labels, dtype=np.int32)

在这一步之后，将下载 mnist 的数据集。
输出 ：

Extracting MNIST-data/train-images-idx3-ubyte.gz
Extracting MNIST-data/train-labels-idx1-ubyte.gz
Extracting MNIST-data/t10k-images-idx3-ubyte.gz
Extracting MNIST-data/t10k-labels-idx1-ubyte.gz

第 3 步：制作数据集

Python3

max_examples = 10000
data = data[:max_examples]
labels = labels[:max_examples]

第 4 步：使用 MatplotLib 显示数据集

Python3

def display(i):
    img = test_data[i]
    plt.title('label : {}'.format(test_labels[i]))
    plt.imshow(img.reshape((28, 28)))
     
# image in TensorFlow is 28 by 28 px
display(0)

要显示数据，我们可以使用这个函数- display(0)
输出 ：

第 5 步：拟合数据，使用线性分类器

Python3

feature_columns = learn.infer_real_valued_columns_from_input(data)
classifier = learn.LinearClassifier(n_classes=10,
                                    feature_columns=feature_columns)
classifier.fit(data, labels, batch_size=100, steps=1000)

第 6 步：评估准确性

Python3

classifier.evaluate(test_data, test_labels)
print(classifier.evaluate(test_data, test_labels)["accuracy"])

输出 ：

0.9137

第 7 步：预测数据

Python3

prediction = classifier.predict(np.array([test_data[0]],
                                         dtype=float),
                                         as_iterable=False)
print("prediction : {}, label : {}".format(prediction,
      test_labels[0]) )

输出 ：

prediction : [7], label : 7

手写分类的完整代码

Python3

# importing libraries
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
 
learn = tf.contrib.learn
tf.logging.set_verbosity(tf.logging.ERROR)\
 
# importing dataset using MNIST
# this is how mnist is used mnist contain test and train dataset
mnist = learn.datasets.load_dataset('mnist')
data = mnist.train.images
labels = np.asarray(mnist.train.labels, dtype = np.int32)
test_data = mnist.test.images
test_labels = np.asarray(mnist.test.labels, dtype = np.int32)
 
max_examples = 10000
data = data[:max_examples]
labels = labels[:max_examples]
 
# displaying dataset using Matplotlib
def display(i):
    img = test_data[i]
    plt.title('label : {}'.format(test_labels[i]))
    plt.imshow(img.reshape((28, 28)))
     
# img in tf is 28 by 28 px
# fitting linear classifier
feature_columns = learn.infer_real_valued_columns_from_input(data)
classifier = learn.LinearClassifier(n_classes = 10,
                                    feature_columns = feature_columns)
classifier.fit(data, labels, batch_size = 100, steps = 1000)
 
# Evaluate accuracy
classifier.evaluate(test_data, test_labels)
print(classifier.evaluate(test_data, test_labels)["accuracy"])
 
prediction = classifier.predict(np.array([test_data[0]],
                                         dtype=float),
                                         as_iterable=False)
print("prediction : {}, label : {}".format(prediction,
      test_labels[0]) )
 
if prediction == test_labels[0]:
     display(0)

通过 tf.keras 使用深度学习
深度学习是机器学习和人工智能的一个子部分，也称为深度神经网络，该网络能够从提供的无组织或无标签数据中进行无监督学习。今天，我们将在 TensorFlow 中实现一个神经网络来对手写数字进行分类。
所需模块：
数字货币：

$ pip install numpy 

Matplotlib：

$ pip install matplotlib 

张量流：

$ pip install tensorflow 

要遵循的步骤

第 1 步：导入所有依赖项

Python3

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

第 2 步：导入数据并对其进行规范化

Python3

mnist = tf.keras.datasets.mnist
(x_train,y_train) , (x_test,y_test) = mnist.load_data()
 
x_train = tf.keras.utils.normalize(x_train,axis=1)
x_test = tf.keras.utils.normalize(x_test,axis=1)

第三步：查看数据

Python3

def draw(n):
    plt.imshow(n,cmap=plt.cm.binary)
    plt.show()
     
draw(x_train[0])

第 4 步：制作神经网络并对其进行训练

Python3

#there are two types of models
#sequential is most common, why?
 
model = tf.keras.models.Sequential()
 
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
#reshape
 
model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))
 
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy']
              )
model.fit(x_train,y_train,epochs=3)

第 5 步：检查模型的准确性和损失

Python3

val_loss,val_acc = model.evaluate(x_test,y_test)
print("loss-> ",val_loss,"\nacc-> ",val_acc)

第 6 步：使用模型进行预测

Python3

predictions=model.predict([x_test])
print('label -> ',y_test[2])
print('prediction -> ',np.argmax(predictions[2]))
 
draw(x_test[2])

保存和测试模型

保存模型

Python3

#saving the model
# .h5 or .model can be used
 
model.save('epic_num_reader.h5')

加载保存的模型

Python3

new_model = tf.keras.models.load_model('epic_num_reader.h5')

使用新模型进行预测

Python3

predictions=new_model.predict([x_test])
 
 
print('label -> ',y_test[2])
print('prediction -> ',np.argmax(predictions[2]))
 
draw(x_test[2])