01、Tensorflow实现二元手写数字识别

本文介绍: Ma t p lo t lib是Pyt h on中的绘图库，而py plot是其中的一个模块，用于绘制各种图形和图像。结果可视化随机选择其中的64个数据绘图，每个图像的上方标明了其真实标签和预测的结果，这个是一个非常简单的示例，准确度还是非常高的。原始的输入的数据集是400 * 1000的数组，共包含1000个手写数字的数据，其中400为20*20像素的图片，因此对每个400的数组进行re shap e((20, 20))可以得到原始的图片进而绘图。Dens e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。

01、Tenso r flow 实现二元手写 数字 识别（二分类问题）

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Tenso r flow 2.10.0

1、识别 目标

识别手写仅仅是为了区分手写的0和1，所以实际上是一个二分类问题。

2、Tenso r flow 算法 实现

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
import matplotlib.pyplot as plt
import warnings
import logging
from sklearn.metrics import accuracy_score

import numpy as np:这是引入 numpy库，并为其设置一个缩写np。Numpy是Pyth on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 i on import train_test_split:这是从sci k it-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。

i mport matplotlib.py plot as plt:这是引入matplotlib的pyplot模块，并为其设置一个缩写plt。Matplotlib是Pyth on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。

i mport 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。

i mport 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。

from sklearn.metrics import ac cur acy_score:这是从sci kit-learn库中引入ac cur acy_score 函数。这个函数用于计算分类准确率，常用于评估分类模型的性能。

STEP2:屏蔽无用警告并允许中文

logging.getLogger("tensorflow").setLevel(logging.ERROR)
tf.autograph.set_verbosity(0)
warnings.simplefilter(action='ignore', category=FutureWarning)
# 支持中文显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

logging.getLogger(“tensorflow”).setLev el(logging.ERROR)：这行代码用于设置 TensorFlow 的日志级别为 ERROR。这意味着只有当 TensorFlow 中发生错误时，才会在日志中输出相关信息。较低级别的日志信息（如 WARNING、INFO、DEBUG）将被忽略。

tf.auto graph.set_verb osity(0)：这行代码用于设置 TensorFlow 的自动图形（Autograph）日志的冗长级别为 0。这意味着在将 Python 代码转换为 TensorFlow 图形代码时，将不会输出任何日志信息。这有助于减少日志噪音，使日志更加干净。

warnings.simplefilter(action=‘ig nore’,category=FutureWarning)：这行代码用于忽略所有 FutureWarning 类型的警告。在 Python中，当使用某些即将过时或未来版本中可能发生变化的特性时，通常会发出 FutureWarning。通过设置action=‘ignore’，代码将不会输出这类警告，使控制台输出更加干净。

plt.rcParams[‘font.sans-serif’]=[‘SimHei’]：这行代码用于设置 matplotlib 中的默认无衬线字体为 SimHei。SimHei 是一种常用于显示中文的字体，这样设置后，matplotlib 将在绘图时使用 SimHei 字体来显示中文，从而避免中文乱码问题。

plt.rcParams[‘axes.uni code_minus’]=False：这行代码用于解决 matplotlib
中负号显示异常的问题。默认情况下，matplotlib 可能无法正确显示负号，将其设置为 False 可以使用 ASCII字符作为负号，从而正常显示。

STEP3:导入并划分数据集

划分10%作为测试：

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)

STEP4:模型构建与训练

# 构建模型，三层模型进行分类，第一层输入100个神经元...
model = Sequential(
    [
        tf.keras.Input(shape=(400,)),    #specify input size
        ### START CODE HERE ###
        Dense(100, activation='sigmoid'),
        Dense(10, activation='sigmoid'),
        Dense(1, activation='sigmoid')
        ### END CODE HERE ###
    ], name = "my_model"
)
# 打印三层模型的参数
model.summary()
# 模型设定，学习率0.001，因为是分类，使用BinaryCrossentropy损失函数
model.compile(
    loss=tf.keras.losses.BinaryCrossentropy(),
    optimizer=tf.keras.optimizers.Adam(0.001),
)
# 开始训练，训练循环20
model.fit(
    X_train,y_train,
    epochs=20
)

STEP5:结果可视化与打印准确度信息
原始的输入的数据集是400 * 1000的数组，共包含1000个手写数字的数据，其中400为20*20像素的图片，因此对每个400的数组进行reshape((20, 20))可以得到原始的图片进而绘图。

# 绘制测试集的预测结果，绘制64个
fig, axes = plt.subplots(8, 8, figsize=(8, 8))
fig.tight_layout(pad=0.1, rect=[0, 0.03, 1, 0.92])  # [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))
    if prediction >= 0.5:
        yhat = 1
    else:
        yhat = 0
    # Display the label above the image
    ax.set_title(f"{y_test[random_index, 0]},{yhat}")
    ax.set_axis_off()
fig.suptitle("真实标签, 预测的标签", fontsize=16)
plt.show()

# 给出预测的测试集误差
y_pred=model.predict(X_test)
print("测试数据集准确率为：", accuracy_score(y_test, np.round(y_pred)))

3、运行 结果

按照最初的划分，数据集包含1000个数据，划分10%为测试集，也就是100个数据。结果可视化随机选择其中的64个数据绘图，每个图像的上方标明了其真实标签和预测的结果，这个是一个非常简单的示例，准确度还是非常高的。
在这里插入图片描述

在这里插入图片描述

4、工程 下载与全部代码

工程链接：Tensorflow实现二元手写数字识别（二分类问题）

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
import matplotlib.pyplot as plt
import warnings
import logging
from sklearn.metrics import accuracy_score

logging.getLogger("tensorflow").setLevel(logging.ERROR)
tf.autograph.set_verbosity(0)
warnings.simplefilter(action='ignore', category=FutureWarning)
# 支持中文显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

# load dataset
def load_data():
    X = np.load("Handwritten_Digit_Recognition_data/X.npy")
    y = np.load("Handwritten_Digit_Recognition_data/y.npy")
    X = X[0:1000]
    y = y[0:1000]
    return X, y


# 加载数据集，查看数据集大小，可以看到有1000个数据集，每个输入是20*20=400大小的图片
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)

# # 下面画图，随便从原数据取出几个画图，可以注释
# m, n = X.shape
# fig, axes = plt.subplots(8, 8, figsize=(8, 8))
# fig.tight_layout(pad=0.1)
# for i, ax in enumerate(axes.flat):
#     # Select random indices
#     random_index = np.random.randint(m)
#     # Select rows corresponding to the random indices and
#     # 将1*400的数据转换为20*20的图像格式
#     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()
# plt.show()

# 构建模型，三层模型进行分类，第一层输入25个神经元...
model = Sequential(
    [
        tf.keras.Input(shape=(400,)),    #specify input size
        ### START CODE HERE ###
        Dense(100, activation='sigmoid'),
        Dense(10, activation='sigmoid'),
        Dense(1, activation='sigmoid')
        ### END CODE HERE ###
    ], name = "my_model"
)
# 打印三层模型的参数
model.summary()
# 模型设定，学习率0.001，因为是分类，使用BinaryCrossentropy损失函数
model.compile(
    loss=tf.keras.losses.BinaryCrossentropy(),
    optimizer=tf.keras.optimizers.Adam(0.001),
)
# 开始训练，训练循环20
model.fit(
    X_train,y_train,
    epochs=20
)

# 绘制测试集的预测结果，绘制64个
fig, axes = plt.subplots(8, 8, figsize=(8, 8))
fig.tight_layout(pad=0.1, rect=[0, 0.03, 1, 0.92])  # [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))
    if prediction >= 0.5:
        yhat = 1
    else:
        yhat = 0
    # Display the label above the image
    ax.set_title(f"{y_test[random_index, 0]},{yhat}")
    ax.set_axis_off()
fig.suptitle("真实标签, 预测的标签", fontsize=16)
plt.show()

# 给出预测的测试集误差
y_pred=model.predict(X_test)
print("测试数据集准确率为：", accuracy_score(y_test, np.round(y_pred)))