计算机视觉--Tensorflow对Mnist手写体数据集做手写体识别

实现手写体识别的原理和代码实现

1.原理简单介绍

本次实现的手写体识别，是通过卷积神经网络来实现的。

卷积神经网络的主要结构可以分成

卷积层

池化层

全连接层

卷积层： 使用卷积层，可以保持图像数据的形状不变，输入图像数据时，卷积层会以三维数据的形式接收输入数据，并且同样以三维数据输出至下一层。卷积层的作用类似图像处理之中的滤波处理

池化层： 池化层有三个特点：

池化层和卷积层不同，没用要学习的参数，只是从目标区域中取最大值（平均值）池化层中数据数据和输出数据的通道数不会发生变化，计算是按通道独立进行的池化层对微小的位置变化具有鲁棒性

全连接层： 是网络最后在通过多次的卷积，池化操作之后，对提取出来的特征通过全连接层来实现分类输出。

下图是一张卷积神经网络的结构原理图：

首先输入的图像是3232 的图像，通过第一层卷积层，提到了2828的图像，将这张图像经过第一层池化层得到1414的图像，我们把卷积，池化层的组合叫做卷积组，通过两个卷积组，得到55的图像特征，放到后面的全连接层中，进行分类，得到其不同的类别。

代码：

import os

os.environ[“CUDA_VISIBLE_DEVICES”] = “-1”

import tensorflow as tf

#import numpy as np # 习惯加上这句，但这边没有用到

from tensorflow.examples.tutorials.mnist import input_data

#import matplotlib.pyplot as plt

mnist = input_data.read_data_sets(‘MNIST_data/’, one_hot=True)

sess = tf.InteractiveSession()

#1、权重初始化,偏置初始化

#为了创建这个模型，我们需要创建大量的权重和偏置项

#为了不在建立模型的时候反复操作，定义两个函数用于初始化

def weight_variable(shape):

initial = tf.truncated_normal(shape,stddev=0.1)#正太分布的标准差设为0.1

return tf.Variable(initial)

def bias_variable(shape):

initial = tf.constant(0.1,shape=shape)

return tf.Variable(initial)

#2、卷积层和池化层也是接下来要重复使用的，因此也为它们定义创建函数

#tf.nn.conv2d是Tensorflow中的二维卷积函数，参数x是输入，w是卷积的参数

#strides代表卷积模块移动的步长，都是1代表会不遗漏地划过图片的每一个点，padding代表边界的处理方式

#padding = ‘SAME’，表示padding后卷积的图与原图尺寸一致，激活函数relu()

#tf.nn.max_pool是Tensorflow中的最大池化函数，这里使用2 * 2 的最大池化，即将2 * 2 的像素降为1 * 1的像素

#最大池化会保留原像素块中灰度值最高的那一个像素，即保留最显著的特征，因为希望整体缩小图片尺寸

#ksize：池化窗口的大小，取一个四维向量，一般是[1,height,width,1]

#因为我们不想再batch和channel上做池化，一般也是[1,stride,stride,1]

def conv2d(x, w):

return tf.nn.conv2d(x, w, strides=[1,1,1,1],padding=‘SAME’) # 保证输出和输入是同样大小

def max_pool_2x2(x):

return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1],padding=‘SAME’)

#3、参数

#这里的x,y_并不是特定的值，它们只是一个占位符，可以在TensorFlow运行某一计算时根据该占位符输入具体的值

#输入图片x是一个2维的浮点数张量，这里分配给它的shape为[None, 784]，784是一张展平的MNIST图片的维度

#None 表示其值的大小不定，在这里作为第1个维度值，用以指代batch的大小，means x 的数量不定

#输出类别y_也是一个2维张量，其中每一行为一个10维的one_hot向量，用于代表某一MNIST图片的类别

x = tf.placeholder(tf.float32, [None,784], name=“x-input”)

y_ = tf.placeholder(tf.float32,[None,10]) # 10列

#4、第一层卷积，它由一个卷积接一个max pooling完成

#张量形状[5,5,1,32]代表卷积核尺寸为5 * 5，1个颜色通道，32个通道数目

w_conv1 = weight_variable([5,5,1,32])

b_conv1 = bias_variable([32]) # 每个输出通道都有一个对应的偏置量

#我们把x变成一个4d 向量其第2、第3维对应图片的宽、高，最后一维代表图片的颜色通道数(灰度图的通道数为1，如果是RGB彩色图，则为3)

x_image = tf.reshape(x,[-1,28,28,1])

#因为只有一个颜色通道，故最终尺寸为[-1，28，28，1]，前面的-1代表样本数量不固定，最后的1代表颜色通道数量

h_conv1 = tf.nn.relu(conv2d(x_image, w_conv1) + b_conv1) # 使用conv2d函数进行卷积操作，非线性处理

h_pool1 = max_pool_2x2(h_conv1) # 对卷积的输出结果进行池化操作

#5、第二个和第一个一样，是为了构建一个更深的网络，把几个类似的堆叠起来

#第二层中，每个5 * 5 的卷积核会得到64个特征

w_conv2 = weight_variable([5,5,32,64])

b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, w_conv2) + b_conv2)# 输入的是第一层池化的结果

h_pool2 = max_pool_2x2(h_conv2)

#6、密集连接层

#图片尺寸减小到7 * 7，加入一个有1024个神经元的全连接层，

#把池化层输出的张量reshape(此函数可以重新调整矩阵的行、列、维数)成一些向量，加上偏置，然后对其使用Relu激活函数

w_fc1 = weight_variable([7 * 7 * 64, 1024])

b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1,7 * 7 * 64])

h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, w_fc1) + b_fc1)

#7、使用dropout，防止过度拟合

#dropout是在神经网络里面使用的方法，以此来防止过拟合

#用一个placeholder来代表一个神经元的输出

#tf.nn.dropout操作除了可以屏蔽神经元的输出外，

#还会自动处理神经元输出值的scale，所以用dropout的时候可以不用考虑scale

keep_prob = tf.placeholder(tf.float32, name=“keep_prob”)# placeholder是占位符

h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

#8、输出层，最后添加一个softmax层

w_fc2 = weight_variable([1024,10])

b_fc2 = bias_variable([10])

y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, w_fc2) + b_fc2, name=“y-pred”)

#9、训练和评估模型

#损失函数是目标类别和预测类别之间的交叉熵

#参数keep_prob控制dropout比例，然后每100次迭代输出一次日志

cross_entropy = tf.reduce_sum(-tf.reduce_sum(y_ * tf.log(y_conv),reduction_indices=[1]))

train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

#预测结果与真实值的一致性，这里产生的是一个bool型的向量

correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))

#将bool型转换成float型，然后求平均值，即正确的比例

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

#初始化所有变量，在3月2号以后,用 tf.global_variables_initializer()替代tf.initialize_all_variables()

sess.run(tf.initialize_all_variables())

#保存最后一个模型

saver = tf.train.Saver(max_to_keep=1)

for i in range(10):

batch = mnist.train.next_batch(16)

if i % 10 == 0:

train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1],keep_prob: 1.0})

print(“Step %d ,training accuracy %g” % (i, train_accuracy))

train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

print("test accuracy %f " % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

保存模型于文件夹

saver.save(sess,“save/model”)

import tensorflow as tf

import numpy as np

import tkinter as tk

from tkinter import filedialog

from PIL import Image, ImageTk

from tkinter import filedialog

import time

def creat_windows():

win = tk.Tk() # 创建窗口

sw = win.winfo_screenwidth()

sh = win.winfo_screenheight()

ww, wh = 400, 450

x, y = (sw-ww)/2, (sh-wh)/2

win.geometry("%dx%d+%d+%d"%(ww, wh, x, y-40)) # 居中放置窗口

win.title(‘手写体识别’) # 窗口命名

bg1_open = Image.open(“timg.jpg”).resize((300, 300))

bg1 = ImageTk.PhotoImage(bg1_open)

canvas = tk.Label(win, image=bg1)

canvas.pack()

var = tk.StringVar() # 创建变量文字

var.set(’’)

tk.Label(win, textvariable=var, bg=’#C1FFC1’, font=(‘宋体’, 21), width=20, height=2).pack()

tk.Button(win, text=‘选择图片’, width=20, height=2, bg=’#FF8C00’, command=lambda:main(var, canvas), font=(‘圆体’, 10)).pack()

win.mainloop()

def main(var, canvas):

file_path = filedialog.askopenfilename()

bg1_open = Image.open(file_path).resize((28, 28))

pic = np.array(bg1_open).reshape(784,)

bg1_resize = bg1_open.resize((300, 300))

bg1 = ImageTk.PhotoImage(bg1_resize)

canvas.configure(image=bg1)

canvas.image = bg1

init = tf.global_variables_initializer()

with tf.Session() as sess:

sess.run(init)

saver = tf.train.import_meta_graph(‘save/model.meta’) # 载入模型结构

saver.restore(sess, ‘save/model’) # 载入模型参数

graph = tf.get_default_graph() # 加载计算图

x = graph.get_tensor_by_name(“x-input:0”) # 从模型中读取占位符变量

keep_prob = graph.get_tensor_by_name(“keep_prob:0”)

y_conv = graph.get_tensor_by_name(“y-pred:0”) # 关键的一句 从模型中读取占位符变量

prediction = tf.argmax(y_conv, 1)

predint = prediction.eval(feed_dict={x: [pic], keep_prob: 1.0}, session=sess) # feed_dict输入数据给placeholder占位符

answer = str(predint[0])

var.set(“预测的结果是：” + answer)

ifname_ == “main_”:

creat_windows()

分析Mnist数据集中一些歧义数据：

通过训练出来的网络来识别，发现其中1的正确率还是挺高的，是因为1这样的数据，数据的特征比较单一，所以在识别时候，虽然有形状上的差异，但是因为特征容易识别，所以就能够很好的识别。在0的识别上，出现了两个奇怪的现象，3和4这两个识别，一般看来3是更接近6。然而实验上刚好相反，原因是4中的连接处太过粗重，让机器识别错误。