02、Tensorflow实现手写数字识别（数字0-9）

本文介绍: Ma t p lo t lib是Pyt h on中的绘图库，而py p lo t是其中的一个模块，用于绘制各种图形和图像。from sklearn.metrics import classification_repo rt 这行代码的主要作用是导入 class ifi cat i on_repo rt 函数，以便在后续的代码中使用它来评估分类模型的性能。Dense层是神经网络中的全连接层，每个输入节点与输出节点都是连接的。原始的输入的数据集是5000* 400数组，共包含5000个手写数字的数据，其中400为20*20像素的图片，

02、Tenso r flow 实现 手写 数字 识别（数字0-9）

01、Tensorflow实现二元手写数字识别（二分类问题）
02、Tensorflow实现手写数字识别（数字0-9）

开始学习机器学习啦，已经把吴恩达的课全部刷完了，现在开始熟悉一下复现代码。对这个手写数字实部比较感兴趣，作为入门的素材非常合适。

基于Tensor flow 2.10.0与pycharm

1、识别 目标

识别手写仅仅是为了区分手写的0到9，所以实际上是一个多分类问题。
STEP1：导入相关包

import numpy as np
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense
from sklearn.model_selection import train_test_split
from sklearn.metrics import  classification_report
import matplotlib.pyplot as plt
import logging
import warnings

import numpy as np:这是引入 numpy库，并为其设置一个缩写np。Numpy是Python中用于大规模数值计算的库，它提供了多维数组对象及一系列操作这些数组的函数。

import tensorflow as tf:这是引入tensorflow库，并为其设置一个缩写tf。TensorFlow是一个开源的深度学习框架，它被广泛用于各种深度学习应用。

from keras.models import Sequential:这是从Keras库中引入Sequential模型。Keras是一个高级神经网络API，它可以运行在TensorFlow之上。Sequential模型是Keras中的线性堆栈模型，允许你简单地堆叠多个网络层。

from keras.layers import Dense:这是从Keras库中引入Dense层。Dense层是神经网络中的全连接层，每个输入节点与输出节点都是连接的。

from sklearn.model_select ion import train_test_split:这是从sci kit-learn库中引入train_test_split 函数。这个函数用于将数据分割为训练集和测试集。

from sklearn.metrics import classificat ion_report 这行代码的主要作用是导入classificat ion_report 函数，以便在后续的代码中使用它来评估分类模型的性能。

import matplotlib.pyplot as plt:这是引入matplotlib的pyplot模块，并为其设置一个缩写plt。Matplotlib是Python中的绘图库，而pyplot是其中的一个模块，用于绘制各种图形和图像。

import warnings:这是引入Python的标准警告库，它可以用来发出警告，或者过滤掉不需要的警告。

import logging:这是引入Python的标准日志库，用于记录日志信息，方便追踪和调试代码。

STEP2:屏蔽无用警告并允许中文

# 使用warnings模块来忽略特定类型的警告  
warnings.simplefilter(action='ignore', category=FutureWarning)  
# 配置tensorflow的日志记录级别  
logging.getLogger("tensorflow").setLevel(logging.ERROR)  
# 设置TensorFlow的autograph模块的详细级别  
tf.autograph.set_verbosity(0)  
# 设置numpy的打印选项  
np.set_printoptions(precision=2)

STEP3:加载数据集并分割测试集

# load dataset
def load_data():
    X = np.load("Handwritten_Digit_Recognition_Multiclass_data/X.npy")
    y = np.load("Handwritten_Digit_Recognition_Multiclass_data/y.npy")
    return X, y

# load dataset
X, y = load_data()

print ('The shape of X is: ' + str(X.shape))
print ('The shape of y is: ' + str(y.shape))
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=42)

原始的输入的数据集是5000* 400数组，共包含5000个手写数字的数据，其中400为20*20像素的图片，
在这里插入图片描述

STEP4:模型构建与训练

# 构建模型  
tf.random.set_seed(1234)  # 设置随机种子以确保每次运行的结果是一致的  
model = Sequential(
    [
        ### START CODE HERE ###  
        tf.keras.Input(shape=(400,)),  # 输入层，输入数据的形状是400维   
        Dense(100, activation='relu', name="L1"),  # 全连接层，100个神经元，使用ReLU激活函数，命名为"L1"  
        Dense(75, activation='relu', name="L2"),  # 全连接层，75个神经元，使用ReLU激活函数，命名为"L2"  
        Dense(10, activation='linear', name="L3"),  # 输出层，10个神经元，使用线性激活函数，命名为"L3"  
        ### END CODE HERE ###  
    ], name="my_model"
)  # 定义模型名称为"my_model"  
model.summary()  # 打印模型的概述信息  

# 配置模型的训练参数  
model.compile(
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    # 使用稀疏分类交叉熵作为损失函数，且输出是logits（即未经过softmax的原始输出）  
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),  # 使用Adam优化器，并设置学习率为0.001  
)

# 训练模型  
history = model.fit(
    X_train, y_train,  # 使用X_train作为输入数据，y_train作为目标数据  
    epochs=100  # 训练100轮  
)

STEP5:结果可视化与打印准确度信息

fig, axes = plt.subplots(20, 25, figsize=(20, 25))
fig.tight_layout(pad=0.13, rect=[0, 0.03, 1, 0.91])  # [left, bottom, right, top]
for i, ax in enumerate(axes.flat):
    # Select random indices
    random_index = np.random.randint(X_test.shape[0])
    # Select rows corresponding to the random indices and
    # reshape the image
    X_random_reshaped = X_test[random_index].reshape((20, 20)).T
    # Display the image
    ax.imshow(X_random_reshaped, cmap='gray')
    # Predict using the Neural Network
    prediction = model.predict(X_test[random_index].reshape(1, 400))
    prediction_p = tf.nn.softmax(prediction)
    yhat = np.argmax(prediction_p)
    # 错误结果标红
    if y_test[random_index, 0] == yhat:
        ax.set_title(f"{y_test[random_index, 0]},{yhat}", fontsize=10)
        ax.set_axis_off()
    else:
        ax.set_title(f"{y_test[random_index, 0]},{yhat}", fontsize=10, color='red')
        ax.set_axis_off()

fig.suptitle("Label, yhat", fontsize=14)
plt.show()

# 给出预测的测试集误差
def evaluation(y_test, y_predict):
    accuracy=classification_report(y_test, y_predict,output_dict=True)['accuracy']
    s=classification_report(y_test, y_predict,output_dict=True)['weighted avg']
    precision=s['precision']
    recall=s['recall']
    f1_score=s['f1-score']
    #kappa=cohen_kappa_score(y_test, y_predict)
    return accuracy,precision,recall,f1_score #, kappa

y_pred=model.predict(X_test)
prediction_p = tf.nn.softmax(y_pred)
yhat = np.argmax(prediction_p, axis=1)
accuracy,precision,recall,f1_score=evaluation(y_test,yhat)

print("测试数据集准确率为：", accuracy)
print("测试数据集精确率为：", precision)
print("测试数据集召回率为：", recall)
print("测试数据集F1_score为：", f1_score)

3、运行 结果

在这里插入图片描述

4、工程 下载与全部代码

工程链接：Tensorflow实现手写数字识别（数字0-9）

import numpy as np
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense
from sklearn.model_selection import train_test_split
from sklearn.metrics import  classification_report
import matplotlib.pyplot as plt
import logging
import warnings

# 使用warnings模块来忽略特定类型的警告
warnings.simplefilter(action='ignore', category=FutureWarning)
# 配置tensorflow的日志记录级别
logging.getLogger("tensorflow").setLevel(logging.ERROR)
# 设置TensorFlow的autograph模块的详细级别
tf.autograph.set_verbosity(0)
# 设置numpy的打印选项
np.set_printoptions(precision=2)

# load dataset
def load_data():
    X = np.load("Handwritten_Digit_Recognition_Multiclass_data/X.npy")
    y = np.load("Handwritten_Digit_Recognition_Multiclass_data/y.npy")
    return X, y

# load dataset
X, y = load_data()

print ('The shape of X is: ' + str(X.shape))
print ('The shape of y is: ' + str(y.shape))
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=42)

# # 绘图可选
# m, n = X.shape
# fig, axes = plt.subplots(8, 8, figsize=(5, 5))
# fig.tight_layout(pad=0.13, rect=[0, 0.03, 1, 0.91])  # [left, bottom, right, top]
# # fig.tight_layout(pad=0.5)
# for i, ax in enumerate(axes.flat):
#     # Select random indices
#     random_index = np.random.randint(m)
#     # Select rows corresponding to the random indices and
#     # reshape the image
#     X_random_reshaped = X[random_index].reshape((20, 20)).T
#     # Display the image
#     ax.imshow(X_random_reshaped, cmap='gray')
#     # Display the label above the image
#     ax.set_title(y[random_index, 0])
#     ax.set_axis_off()
#     fig.suptitle("Label, image", fontsize=14)
# plt.show()

# 构建模型
tf.random.set_seed(1234)  # 设置随机种子以确保每次运行的结果是一致的
model = Sequential(
    [
        ### START CODE HERE ###
        tf.keras.Input(shape=(400,)),  # 输入层，输入数据的形状是400维
        Dense(100, activation='relu', name="L1"),  # 全连接层，100个神经元，使用ReLU激活函数，命名为"L1"
        Dense(75, activation='relu', name="L2"),  # 全连接层，75个神经元，使用ReLU激活函数，命名为"L2"
        Dense(10, activation='linear', name="L3"),  # 输出层，10个神经元，使用线性激活函数，命名为"L3"
        ### END CODE HERE ###
    ], name="my_model"
)  # 定义模型名称为"my_model"
model.summary()  # 打印模型的概述信息

# 配置模型的训练参数
model.compile(
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    # 使用稀疏分类交叉熵作为损失函数，且输出是logits（即未经过softmax的原始输出）
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),  # 使用Adam优化器，并设置学习率为0.001
)

# 训练模型
history = model.fit(
    X_train, y_train,  # 使用X_train作为输入数据，y_train作为目标数据
    epochs=100  # 训练100轮
)


fig, axes = plt.subplots(20, 25, figsize=(20, 25))
fig.tight_layout(pad=0.13, rect=[0, 0.03, 1, 0.91])  # [left, bottom, right, top]
for i, ax in enumerate(axes.flat):
    # Select random indices
    random_index = np.random.randint(X_test.shape[0])
    # Select rows corresponding to the random indices and
    # reshape the image
    X_random_reshaped = X_test[random_index].reshape((20, 20)).T
    # Display the image
    ax.imshow(X_random_reshaped, cmap='gray')
    # Predict using the Neural Network
    prediction = model.predict(X_test[random_index].reshape(1, 400))
    prediction_p = tf.nn.softmax(prediction)
    yhat = np.argmax(prediction_p)
    # Display the label above the image
    if y_test[random_index, 0] == yhat:
        ax.set_title(f"{y_test[random_index, 0]},{yhat}", fontsize=10)
        ax.set_axis_off()
    else:
        ax.set_title(f"{y_test[random_index, 0]},{yhat}", fontsize=10, color='red')
        ax.set_axis_off()

fig.suptitle("Label, yhat", fontsize=14)
plt.show()

# 给出预测的测试集误差
def evaluation(y_test, y_predict):
    accuracy=classification_report(y_test, y_predict,output_dict=True)['accuracy']
    s=classification_report(y_test, y_predict,output_dict=True)['weighted avg']
    precision=s['precision']
    recall=s['recall']
    f1_score=s['f1-score']
    #kappa=cohen_kappa_score(y_test, y_predict)
    return accuracy,precision,recall,f1_score #, kappa

y_pred=model.predict(X_test)
prediction_p = tf.nn.softmax(y_pred)
yhat = np.argmax(prediction_p, axis=1)
accuracy,precision,recall,f1_score=evaluation(y_test,yhat)

print("测试数据集准确率为：", accuracy)
print("测试数据集精确率为：", precision)
print("测试数据集召回率为：", recall)
print("测试数据集F1_score为：", f1_score)