使用MNIST数据集训练手写数字识别模型

一、MNIST数据集介绍
MNIST 数据集（手写数字数据集）是一个公开的公共数据集，任何人都可以免费获取它。目前，它已经是一个作为机器学习入门的通用性特别强的数据集之一，所以对于想要学习机器学习分类的、深度神经网络分类的、图像识别与处理的小伙伴，都可以选择MNIST数据集入门。

二、MNIST数据集结构
MNIST 数据集包含70000（60000+10000）个样本，其中有60000个训练样本和10000个测试样本，每个样本的像素大小为28*28。

1.MNIST数据集下载方式

方法一
下载地址：http://yann.lecun.com/exdb/mnist/

可以直接下载这四个文件，这四个文件分别为：
①训练样本的图像（60000个）
②对应训练样本上每一张图像上数字的标签（0~9）（60000个）
③测试样本的图像（10000个）
④对应测试样本上每一张图像上数字的标签（0~9）（10000个）

方法二
在Keras中已经内置了多种公共数据集，其中就包含MNIST数据集，如图所示。

所以可以直接调用 tf.keras.datasets.mnist，直接下载数据集。

2.开始训练

可以跟着一步一步做，不会出错

（1）导包

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import time

（2）打印开始时间

print('--------------')
nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
print(nowtime)

 效果展示：

（3）预处理

#初始化
plt.rcParams['font.sans-serif'] = ['SimHei']
 
#加载数据
mnist = tf.keras.datasets.mnist
 
(train_x,train_y),(test_x,test_y) = mnist.load_data()
print('\n train_x:%s, train_y:%s, test_x:%s, test_y:%s'%(train_x.shape,train_y.shape,test_x.shape,test_y.shape)) 
 
#数据预处理
#X_train = train_x.reshape((60000,28*28))
#Y_train = train_y.reshape((60000,28*28))       #后面采用tf.keras.layers.Flatten()改变数组形状
X_train,X_test = tf.cast(train_x/255.0,tf.float32),tf.cast(test_x/255.0,tf.float32)     #归一化
y_train,y_test = tf.cast(train_y,tf.int16),tf.cast(test_y,tf.int16)

效果展示：

（4）建立模型查看结构

# 建立模型
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
print('\n',model.summary())     #查看网络结构和参数信息

    效果展示：       

（5）开始训练

#配置模型训练方法
#adam算法参数采用keras默认的公开参数，损失函数采用稀疏交叉熵损失函数，准确率采用稀疏分类准确率函数
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['sparse_categorical_accuracy'])   
 
#训练模型
#批量训练大小为64，迭代5次，测试集比例0.2（48000条训练集数据，12000条测试集数据）
print('--------------')
nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
print('训练前时刻：'+str(nowtime))
 
history = model.fit(X_train,y_train,batch_size=64,epochs=5,validation_split=0.2)
 
print('--------------')
nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
print('训练后时刻：'+str(nowtime))

效果展示：

（6）评估模型

#评估模型
model.evaluate(X_test,y_test,verbose=2)     #每次迭代输出一条记录，来评价该模型是否有比较好的泛化能力

效果展示：

（7）结果可视化

#结果可视化
print(history.history)
loss = history.history['loss']          #训练集损失
val_loss = history.history['val_loss']  #测试集损失
acc = history.history['sparse_categorical_accuracy']            #训练集准确率
val_acc = history.history['val_sparse_categorical_accuracy']    #测试集准确率
 
plt.figure(figsize=(10,3))
 
plt.subplot(121)
plt.plot(loss,color='b',label='train')
plt.plot(val_loss,color='r',label='test')
plt.ylabel('loss')
plt.legend()
 
plt.subplot(122)
plt.plot(acc,color='b',label='train')
plt.plot(val_acc,color='r',label='test')
plt.ylabel('Accuracy')
plt.legend()
 
#暂停5秒关闭画布，否则画布一直打开的同时，会持续占用GPU内存
#根据需要自行选择
#plt.ion()       #打开交互式操作模式
#plt.show()
#plt.pause(5)
#plt.close()
 
#使用模型
plt.figure()
for i in range(10):
    num = np.random.randint(1,10000)
 
    plt.subplot(2,5,i+1)
    plt.axis('off')
    plt.imshow(test_x[num],cmap='gray')
    demo = tf.reshape(X_test[num],(1,28,28))
    y_pred = np.argmax(model.predict(demo))
    plt.title('标签值：'+str(test_y[num])+'\n预测值：'+str(y_pred))
#y_pred = np.argmax(model.predict(X_test[0:5]),axis=1)
#print('X_test[0:5]: %s'%(X_test[0:5].shape))
#print('y_pred: %s'%(y_pred))
 
#plt.ion()       #打开交互式操作模式
plt.show()
#plt.pause(5)
#plt.close()

展示效果：

3.测试模型

1.修改测试图片的路径

2.修改保存模型的路径

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import cv2
 
# 建立模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))     # 添加Flatten层说明输入数据的形状
model.add(tf.keras.layers.Dense(128, activation='relu'))     # 添加隐含层，为全连接层，128个节点，relu激活函数
model.add(tf.keras.layers.Dense(10, activation='softmax'))   # 添加输出层，为全连接层，10个节点，softmax激活函数
 
# 加载模型参数
model.load_weights('mnist_weights.h5') # 路径根据文件实际位置修改，不然会报错
 
# 定义一个函数来预处理图片
def preprocess_image(image_path):
    # 读取图片，转换为灰度图
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    if img is None:
        print(f"无法加载图片：{image_path}")
        return None
    # 调整图片大小为28x28像素
    img = cv2.resize(img, (28, 28))
    # 归一化图片像素值到0-1范围
    img = img / 255.0
    # 转换图片形状以匹配模型输入
    img = img.reshape(1, 28, 28)
    return img
 
# 使用模型进行预测
plt.figure()
# 这里替换为你的图片路径列表
image_paths = ['shouxieti_img/test/0_10.jpg']
for i, image_path in enumerate(image_paths):
    # 预处理图片
    img = preprocess_image(image_path)
    if img is not None:
        # 使用模型进行预测
        y_pred = np.argmax(model.predict(img))
        
        # 显示图片和预测结果
        plt.subplot(1, len(image_paths), i+1)
        plt.imshow(img[0], cmap='gray')
        plt.axis('off')
        plt.title('预测值：' + str(y_pred))
    
plt.show()

 效果展示：

话不多说 源码奉上！

 4.全部代码

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import time
 
print('--------------')
nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
print(nowtime)
 
#初始化
plt.rcParams['font.sans-serif'] = ['SimHei']
 
#加载数据
mnist = tf.keras.datasets.mnist
 
(train_x,train_y),(test_x,test_y) = mnist.load_data()
print('\n train_x:%s, train_y:%s, test_x:%s, test_y:%s'%(train_x.shape,train_y.shape,test_x.shape,test_y.shape)) 
 
#数据预处理
#X_train = train_x.reshape((60000,28*28))
#Y_train = train_y.reshape((60000,28*28))       #后面采用tf.keras.layers.Flatten()改变数组形状
X_train,X_test = tf.cast(train_x/255.0,tf.float32),tf.cast(test_x/255.0,tf.float32)     #归一化
y_train,y_test = tf.cast(train_y,tf.int16),tf.cast(test_y,tf.int16)
 
# 建立模型
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
print('\n',model.summary())     #查看网络结构和参数信息
 
#配置模型训练方法
#adam算法参数采用keras默认的公开参数，损失函数采用稀疏交叉熵损失函数，准确率采用稀疏分类准确率函数
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['sparse_categorical_accuracy'])   
 
#训练模型
#批量训练大小为64，迭代5次，测试集比例0.2（48000条训练集数据，12000条测试集数据）
print('--------------')
nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
print('训练前时刻：'+str(nowtime))
 
history = model.fit(X_train,y_train,batch_size=64,epochs=5,validation_split=0.2)
 
print('--------------')
nowtime = time.strftime('%Y-%m-%d %H:%M:%S')
print('训练后时刻：'+str(nowtime))
 
#评估模型
model.evaluate(X_test,y_test,verbose=2)     #每次迭代输出一条记录，来评价该模型是否有比较好的泛化能力
 
 
#结果可视化
print(history.history)
loss = history.history['loss']          #训练集损失
val_loss = history.history['val_loss']  #测试集损失
acc = history.history['sparse_categorical_accuracy']            #训练集准确率
val_acc = history.history['val_sparse_categorical_accuracy']    #测试集准确率
 
plt.figure(figsize=(10,3))
 
plt.subplot(121)
plt.plot(loss,color='b',label='train')
plt.plot(val_loss,color='r',label='test')
plt.ylabel('loss')
plt.legend()
 
plt.subplot(122)
plt.plot(acc,color='b',label='train')
plt.plot(val_acc,color='r',label='test')
plt.ylabel('Accuracy')
plt.legend()
 
#暂停5秒关闭画布，否则画布一直打开的同时，会持续占用GPU内存
#根据需要自行选择
#plt.ion()       #打开交互式操作模式
#plt.show()
#plt.pause(5)
#plt.close()
 
#使用模型
plt.figure()
for i in range(10):
    num = np.random.randint(1,10000)
 
    plt.subplot(2,5,i+1)
    plt.axis('off')
    plt.imshow(test_x[num],cmap='gray')
    demo = tf.reshape(X_test[num],(1,28,28))
    y_pred = np.argmax(model.predict(demo))
    plt.title('标签值：'+str(test_y[num])+'\n预测值：'+str(y_pred))
#y_pred = np.argmax(model.predict(X_test[0:5]),axis=1)
#print('X_test[0:5]: %s'%(X_test[0:5].shape))
#print('y_pred: %s'%(y_pred))
 
#plt.ion()       #打开交互式操作模式
plt.show()
#plt.pause(5)
#plt.close()

 转载于：【神经网络与深度学习】使用MNIST数据集训练手写数字识别模型——[附完整训练代码]_使用mnist数据集进行模型训练时-CSDN博客

 谢谢支持！