python小练习（083）：基于keras快速搭建神经网络（进阶篇）之手写数字自动识别

jerryxjr1220 · 发表于 2017-3-27 06:11:47

马上注册，结交更多好友，享用更多功能^_^

您需要登录才可以下载或查看，没有账号？立即注册

x

本帖最后由 jerryxjr1220 于 2017-4-19 14:12 编辑

在上一期python小练习（082）的基础上，今天我们继续用keras来实现手写数字图片的自动识别。
同样的方法可以实现网站验证码的自动识别，前提是要收集足够多的可用于学习的验证码原始图片，并且这些图片需要事先分好类。

下面就让我们开始吧。
原始的手写数字图片，如这个样子：

经过机器自动学习以后：
~~~~Training~~~~
Epoch 1/2
32/60000 [..............................] - ETA: 84s - loss: 2.2966 - acc: 0.1562
  352/60000 [..............................] - ETA: 16s - loss: 1.5836 - acc: 0.5341
  608/60000 [..............................] - ETA: 15s - loss: 1.3376 - acc: 0.6266
  960/60000 [..............................] - ETA: 12s - loss: 1.0848 - acc: 0.6917
1280/60000 [..............................] - ETA: 11s - loss: 0.9546 - acc: 0.7328
1536/60000 [..............................] - ETA: 12s - loss: 0.8830 - acc: 0.7546
...
...
...
59104/60000 [============================>.] - ETA: 0s - loss: 0.2233 - acc: 0.9352
59392/60000 [============================>.] - ETA: 0s - loss: 0.2227 - acc: 0.9353
59744/60000 [============================>.] - ETA: 0s - loss: 0.2219 - acc: 0.9355
60000/60000 [==============================] - 11s - loss: 0.2218 - acc: 0.9356
Epoch 2/2
32/60000 [..............................] - ETA: 18s - loss: 0.3342 - acc: 0.9062
  192/60000 [..............................] - ETA: 19s - loss: 0.2109 - acc: 0.9323
  352/60000 [..............................] - ETA: 19s - loss: 0.1708 - acc: 0.9489
  640/60000 [..............................] - ETA: 15s - loss: 0.1391 - acc: 0.9563
  992/60000 [..............................] - ETA: 13s - loss: 0.1309 - acc: 0.9617
1280/60000 [..............................] - ETA: 13s - loss: 0.1236 - acc: 0.9625
1632/60000 [..............................] - ETA: 12s - loss: 0.1256 - acc: 0.9626
...
...
...
59008/60000 [============================>.] - ETA: 0s - loss: 0.1009 - acc: 0.9709
59296/60000 [============================>.] - ETA: 0s - loss: 0.1012 - acc: 0.9709
59488/60000 [============================>.] - ETA: 0s - loss: 0.1011 - acc: 0.9709
59776/60000 [============================>.] - ETA: 0s - loss: 0.1010 - acc: 0.9710
60000/60000 [==============================] - 11s - loss: 0.1008 - acc: 0.9710

~~~~Evaluation~~~~
32/10000 [..............................] - ETA: 2s
1216/10000 [==>...........................] - ETA: 0s
1792/10000 [====>.........................] - ETA: 0s
2496/10000 [======>.......................] - ETA: 0s
3552/10000 [=========>....................] - ETA: 0s
4704/10000 [=============>................] - ETA: 0s
5888/10000 [================>.............] - ETA: 0s
6592/10000 [==================>...........] - ETA: 0s
7584/10000 [=====================>........] - ETA: 0s
8704/10000 [=========================>....] - ETA: 0s
9856/10000 [============================>.] - ETA: 0s

loss: 0.108989, accuracy: 0.970900

可以看到，经过机器学习以后，数字识别的准确率达到了惊人的97%（还包括手写图片中写得确实很差的数字）

为了能直观得看到自动分类识别的结果，我把每个图片的识别概率转换为了二维的坐标，用不同颜色进行了标注，这样看得更清楚。

源代码及讲解：

游客，如果您要查看本帖隐藏内容请回复

maizi · 发表于 2017-3-27 11:02:50

楼主好强

新手·ing · 发表于 2017-3-27 19:50:43

可怕！

灵饕餮 · 发表于 2017-3-28 00:54:06

学习一下

yangyangaq1 · 发表于 2017-4-7 20:38:00

棒棒哒

zmcds4 · 发表于 2017-4-8 16:01:28

kankan

zmcds4 · 发表于 2017-4-8 16:02:15

看看

jerryxjr1220 · 发表于 2017-4-19 14:17:49

增加了把分类的结果用图形化显示，这样看得更直观，可以看到机器确实做到了分类识别。
图中有部分图像重叠，是因为原本的10维数据本降维处理成2维，造成了特征的丢失，实际上在10维的维度上来看应该还是分得比较开的。

jerryxjr1220 · 发表于 2017-4-19 14:18:29

图形转化部分的代码：

# coding:utf-8
import numpy as np
from matplotlib import pyplot as plt
from keras.models import load_model
from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
X_train = x_train.reshape(60000, 784) / 255.0
X_test = x_test.reshape(10000, 784) / 255.0
Y_train = np.array([[0] * 10 for i in range(60000)])
for i in range(60000):
    Y_train[i][y_train[i]] = 1
Y_test = np.array([[0] * 10 for i in range(10000)])
for i in range(10000):
    Y_test[i][y_test[i]] = 1

model = load_model('mnist.h5')
predicts = model.predict(X_test) * 255

pred = []
for i in range(len(predicts)):
    px, py = 0, 0
    for j in range(10):
        r = predicts[i][j]
        px += np.sin(3.1415926 * j / 5) * r
        py += np.cos(3.1415926 * j / 5) * r
    pred.append([px, py])
pred = np.array(pred)

plt.scatter(pred[:, 0], pred[:, 1], c=y_test)
plt.show()

源稚空 · 发表于 2017-4-19 16:27:46

黄修添 · 发表于 2017-4-28 09:15:15

good

逝痕 · 发表于 2017-4-28 15:30:27

小锟 · 发表于 2017-4-30 15:34:11

学习学习

derfdf · 发表于 2017-5-10 23:12:52

谢谢分享~~~！！！！

小馨缘 · 发表于 2017-5-30 15:16:27

朝圣了，大大太厉害了

qkk · 发表于 2017-6-9 08:26:29

厉害了

V587 · 发表于 2017-6-12 15:51:26

学习下keras

P先生 · 发表于 2017-6-26 09:59:32

提示: 作者被禁止或删除内容自动屏蔽

小云子墨 · 发表于 2017-7-7 17:25:00

过来学习深度学习知识

dagenggege · 发表于 2017-9-14 15:00:09

哈哈

账号		自动登录	找回密码
密码			立即注册

P先生 P先生当前离线 UID 373728 日志相册贡献荣誉积分 32 狗仔卡头像被屏蔽	发表于 2017-6-26 09:59:32 \| 显示全部楼层提示: 作者被禁止或删除内容自动屏蔽
	想知道小甲鱼最近在做啥？请访问 -> ilovefishc.com
	回复使用道具举报显身卡

[技术交流] python小练习（083）：基于keras快速搭建神经网络（进阶篇）之手写数字自动识别

马上注册，结交更多好友，享用更多功能^_^

本帖被以下淘专辑推荐: