亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

Python Opencv使用ann神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字功能

 更新時(shí)間:2022年07月11日 15:25:03   作者:Keras深度學(xué)習(xí)  
這篇文章主要介紹了opencv(python)使用ann神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字,由于這里主要研究knn算法,為了圖簡單,直接使用Keras的mnist手寫數(shù)字解析模塊,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),需要的朋友可以參考下

opencv中也提供了一種類似于Keras的神經(jīng)網(wǎng)絡(luò),即為ann,這種神經(jīng)網(wǎng)絡(luò)的使用方法與Keras的很接近。
關(guān)于mnist數(shù)據(jù)的解析,讀者可以自己從網(wǎng)上下載相應(yīng)壓縮文件,用python自己編寫解析代碼,由于這里主要研究knn算法,為了圖簡單,直接使用Keras的mnist手寫數(shù)字解析模塊。
本次代碼運(yùn)行環(huán)境為:
python 3.6.8
opencv-python 4.4.0.46
opencv-contrib-python 4.4.0.46

下面的代碼為使用ann進(jìn)行模型的訓(xùn)練:

from keras.datasets import mnist
from keras import utils
import cv2
import numpy as np
#opencv中ANN定義神經(jīng)網(wǎng)絡(luò)層
def create_ANN():
    ann=cv2.ml.ANN_MLP_create()
    #設(shè)置神經(jīng)網(wǎng)絡(luò)層的結(jié)構(gòu) 輸入層為784 隱藏層為80 輸出層為10
    ann.setLayerSizes(np.array([784,64,10]))
    #設(shè)置網(wǎng)絡(luò)參數(shù)為誤差反向傳播法
    ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)
    #設(shè)置激活函數(shù)為sigmoid
    ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)
    #設(shè)置訓(xùn)練迭代條件 
    #結(jié)束條件為訓(xùn)練30次或者誤差小于0.00001
    ann.setTermCriteria((cv2.TermCriteria_EPS|cv2.TermCriteria_COUNT,100,0.0001))
    return ann
#計(jì)算測試數(shù)據(jù)上的識別率
def evaluate_acc(ann,test_images,test_labels):
    #采用的sigmoid激活函數(shù),需要對結(jié)果進(jìn)行置信度處理 
    #對于大于0.99的可以確定為1 對于小于0.01的可以確信為0
    test_ret=ann.predict(test_images)
    #預(yù)測結(jié)果是一個(gè)元組
    test_pre=test_ret[1]
    #可以直接最大值的下標(biāo) (10000,)
    test_pre=test_pre.argmax(axis=1)
    true_sum=(test_pre==test_labels)
    return true_sum.mean()
if __name__=='__main__':
    #直接使用Keras載入的訓(xùn)練數(shù)據(jù)(60000, 28, 28) (60000,)
    (train_images,train_labels),(test_images,test_labels)=mnist.load_data()
    #變換數(shù)據(jù)的形狀并歸一化
    train_images=train_images.reshape(train_images.shape[0],-1)#(60000, 784)
    train_images=train_images.astype('float32')/255
    test_images=test_images.reshape(test_images.shape[0],-1)
    test_images=test_images.astype('float32')/255
    #將標(biāo)簽變?yōu)閛ne-hot形狀 (60000, 10) float32
    train_labels=utils.to_categorical(train_labels)
    #測試數(shù)據(jù)標(biāo)簽不用變?yōu)閛ne-hot (10000,)
    test_labels=test_labels.astype(np.int)
    
    #定義神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
    ann=create_ANN()
    #開始訓(xùn)練    
    ann.train(train_images,cv2.ml.ROW_SAMPLE,train_labels)
    #在測試數(shù)據(jù)上測試準(zhǔn)確率
    print(evaluate_acc(ann,test_images,test_labels))
    
    #保存模型
    ann.save('mnist_ann.xml')
    #加載模型
    myann=cv2.ml.ANN_MLP_load('mnist_ann.xml')

訓(xùn)練100次得到的準(zhǔn)確率為0.9376,可以接著增加訓(xùn)練次數(shù)或者提高神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)深度來提高準(zhǔn)確率。
使用ann神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)非常小,因?yàn)橹皇潜4媪藱?quán)重參數(shù)。

在這里插入圖片描述

可以看到整個(gè)模型文件的大小才1M,而svm的大小為十多兆,knn的為幾百兆,因此使用ann神經(jīng)網(wǎng)絡(luò)更加適合部署在客戶端上。
接下來使用ann進(jìn)行圖片的測試識別:

import cv2
import numpy as np
if __name__=='__main__':
    #讀取圖片
    img=cv2.imread('shuzi.jpg',0)
    img_sw=img.copy()
    #將數(shù)據(jù)類型由uint8轉(zhuǎn)為float32
    img=img.astype(np.float32)
    #圖片形狀由(28,28)轉(zhuǎn)為(784,)
    img=img.reshape(-1,)
    #增加一個(gè)維度變?yōu)?1,784)
    img=img.reshape(1,-1)
    #圖片數(shù)據(jù)歸一化
    img=img/255
    #載入ann模型
    ann=cv2.ml.ANN_MLP_load('minist_ann.xml')
    #進(jìn)行預(yù)測
    img_pre=ann.predict(img)
    #因?yàn)榧せ詈瘮?shù)sigmoid,因此要進(jìn)行置信度處理
    ret=img_pre[1]
    ret[ret>0.9]=1
    ret[ret<0.1]=0
    print(ret)
    cv2.imshow('test',img_sw)
    cv2.waitKey(0)

運(yùn)行程序,結(jié)果如下,可見該模型正確識別了數(shù)字0.

在這里插入圖片描述

到此這篇關(guān)于Python Opencv使用ann神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字的文章就介紹到這了,更多相關(guān)python opencv識別手寫數(shù)字內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • pycharm必知的一些簡單設(shè)置方法

    pycharm必知的一些簡單設(shè)置方法

    這篇文章主要介紹了pycharm必知的一些簡單設(shè)置方法,本文通過圖文并茂的形式給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2021-03-03
  • Python中元組的基礎(chǔ)介紹及常用操作總結(jié)

    Python中元組的基礎(chǔ)介紹及常用操作總結(jié)

    元組是一種不可變序列。元組變量的賦值要在定義時(shí)就進(jìn)行,這就像C語言中的const變量或是C++的引用,定義時(shí)賦值之后就不允許有修改。元組存在的意義是:元組在映射中可以作為鍵使用,因?yàn)橐WC鍵的不變性。元組作為很多內(nèi)置函數(shù)和方法的返回值存在
    2021-09-09
  • 深入解析python項(xiàng)目引用運(yùn)行路徑

    深入解析python項(xiàng)目引用運(yùn)行路徑

    這篇文章主要介紹了python項(xiàng)目引用運(yùn)行路徑的問題,本文給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2023-05-05
  • Python?sklearn預(yù)測評估指標(biāo)混淆矩陣計(jì)算示例詳解

    Python?sklearn預(yù)測評估指標(biāo)混淆矩陣計(jì)算示例詳解

    這篇文章主要為大家介紹了Python?sklearn預(yù)測評估指標(biāo)混淆矩陣計(jì)算示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪
    2023-02-02
  • 在pycharm中輸入import torch報(bào)錯(cuò)如何解決

    在pycharm中輸入import torch報(bào)錯(cuò)如何解決

    這篇文章主要介紹了在pycharm中輸入import torch報(bào)錯(cuò)如何解決問題,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2024-01-01
  • 利用Python繪制好看的玫瑰花圖

    利用Python繪制好看的玫瑰花圖

    玫瑰花圖是節(jié)理統(tǒng)計(jì)方式之一,方法簡便,形象醒目,比較清楚地反映出主要節(jié)理的方向,有助于分析區(qū)域構(gòu)造。本文將用Python繪制好看的玫瑰花圖,感興趣的可以了解一下
    2022-05-05
  • Django與遺留的數(shù)據(jù)庫整合的方法指南

    Django與遺留的數(shù)據(jù)庫整合的方法指南

    這篇文章主要介紹了Django與遺留的數(shù)據(jù)庫整合的方法指南,Django是最具人氣的Python開發(fā)框架,需要的朋友可以參考下
    2015-07-07
  • PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)

    PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)

    這篇文章主要介紹了PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù),在本次的分類任務(wù)當(dāng)中,我們使用的數(shù)據(jù)集是 Mnist 數(shù)據(jù)集,這個(gè)數(shù)據(jù)集大家都比較熟悉,需要的朋友可以參考下
    2023-03-03
  • python 2.7.13 安裝配置方法圖文教程

    python 2.7.13 安裝配置方法圖文教程

    這篇文章主要為大家詳細(xì)介紹了python 2.7.13 安裝配置方法圖文教程,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2018-09-09
  • Python中查看文件名和文件路徑

    Python中查看文件名和文件路徑

    本篇文章主要介紹了Python中查看文件名和文件路徑的方法。具有很好的參考價(jià)值,下面跟著小編一起來看下吧
    2017-03-03

最新評論