devbox
羊村懒王
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

深度学习之手写数字分类

作者：羊村懒王 | 2024-03-30 06:25:06

赞

踩

手写数字分类

问题描述：

将手写数字的灰度图像（28 像素×28 像素）划分到 10 个类别 中（0~9）。我们将使用 MNIST 数据集，它是机器学习领域的一个经典数据集，其历史几乎和这 个领域一样长，而且已被人们深入研究。这个数据集包含 60 000 张训练图像和 10 000 张测试图 像，由美国国家标准与技术研究院（National Institute of Standards and Technology，即 MNIST 中 的 NIST）在 20 世纪 80 年代收集得到。你可以将“解决”MNIST 问题看作深度学习的“Hello World”，正是用它来验证你的算法是否按预期运行。当你成为机器学习从业者后，会发现 MNIST 一次又一次地出现在科学论文、博客文章等中。

1.准备数据：

  1. import numpy as np
  2. import paddle as paddle
  3. import paddle.fluid as fluid
  4. from PIL import Image
  5. import matplotlib.pyplot as plt
  6. import os
  7.  
  8. train_reader = paddle.batch(paddle.reader.shuffle(paddle.dataset.mnist.train(),
  9.                                                   buf_size=512),batch_size=128)
  10. test_reader = paddle.batch(paddle.dataset.mnist.test(),batch_size=128)
  11.  
  12. temp_reader = paddle.batch(paddle.dataset.mnist.train(),batch_size=1)
  13. temp_data=next(temp_reader())
  14. print(temp_data)

打印以下，观察mnist数据集

  1. G:\RJAZ\python3.6.6\py_data\python.exe I:/PaddlePaddle/code/wrirren_number/main.py
  2. [================================================= ][==================================================]
  3. [==================================================]
  4. [==================================================]
  5. [==================================================]
  6. [(array([-1.        , -1.        , -1.        , -1.        , -1.        ,
  7.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  8.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  9.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  10.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  11.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  12.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  13.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  14.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  15.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  16.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  17.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  18.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  19.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  20.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  21.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  22.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  23.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  24.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  25.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  26.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  27.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  28.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  29.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  30.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  31.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  32.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  33.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  34.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  35.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  36.        -1.        , -1.        , -0.9764706 , -0.85882354, -0.85882354,
  37.        -0.85882354, -0.01176471,  0.06666672,  0.37254906, -0.79607844,
  38.         0.30196083,  1.        ,  0.9372549 , -0.00392157, -1.        ,
  39.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  40.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  41.        -1.        , -0.7647059 , -0.7176471 , -0.26274508,  0.20784318,
  42.         0.33333337,  0.9843137 ,  0.9843137 ,  0.9843137 ,  0.9843137 ,
  43.         0.9843137 ,  0.7647059 ,  0.34901965,  0.9843137 ,  0.8980392 ,
  44.         0.5294118 , -0.4980392 , -1.        , -1.        , -1.        ,
  45.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  46.        -1.        , -1.        , -1.        , -0.6156863 ,  0.8666667 ,
  47.         0.9843137 ,  0.9843137 ,  0.9843137 ,  0.9843137 ,  0.9843137 ,
  48.         0.9843137 ,  0.9843137 ,  0.9843137 ,  0.96862745, -0.27058822,
  49.        -0.35686272, -0.35686272, -0.56078434, -0.69411767, -1.        ,
  50.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  51.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  52.        -1.        , -0.85882354,  0.7176471 ,  0.9843137 ,  0.9843137 ,
  53.         0.9843137 ,  0.9843137 ,  0.9843137 ,  0.5529412 ,  0.427451  ,
  54.         0.9372549 ,  0.8901961 , -1.        , -1.        , -1.        ,
  55.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  56.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  57.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  58.        -0.372549  ,  0.22352946, -0.1607843 ,  0.9843137 ,  0.9843137 ,
  59.         0.60784316, -0.9137255 , -1.        , -0.6627451 ,  0.20784318,
  60.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  61.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  62.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  63.        -1.        , -1.        , -1.        , -1.        , -0.8901961 ,
  64.        -0.99215686,  0.20784318,  0.9843137 , -0.29411763, -1.        ,
  65.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  66.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  67.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  68.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  69.        -1.        , -1.        , -1.        , -1.        ,  0.09019613,
  70.         0.9843137 ,  0.4901961 , -0.9843137 , -1.        , -1.        ,
  71.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  72.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  73.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  74.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  75.        -1.        , -1.        , -0.9137255 ,  0.4901961 ,  0.9843137 ,
  76.        -0.45098037, -1.        , -1.        , -1.        , -1.        ,
  77.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  78.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  79.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  80.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  81.        -1.        , -0.7254902 ,  0.8901961 ,  0.7647059 ,  0.254902  ,
  82.        -0.15294117, -0.99215686, -1.        , -1.        , -1.        ,
  83.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  84.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  85.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  86.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  87.        -0.36470586,  0.88235295,  0.9843137 ,  0.9843137 , -0.06666666,
  88.        -0.8039216 , -1.        , -1.        , -1.        , -1.        ,
  89.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  90.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  91.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  92.        -1.        , -1.        , -1.        , -1.        , -0.64705884,
  93.         0.45882356,  0.9843137 ,  0.9843137 ,  0.17647064, -0.7882353 ,
  94.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  95.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  96.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  97.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  98.        -1.        , -1.        , -1.        , -0.8745098 , -0.27058822,
  99.         0.9764706 ,  0.9843137 ,  0.4666667 , -1.        , -1.        ,
  100.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  101.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  102.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  103.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  104.        -1.        , -1.        , -1.        ,  0.9529412 ,  0.9843137 ,
  105.         0.9529412 , -0.4980392 , -1.        , -1.        , -1.        ,
  106.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  107.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  108.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  109.        -1.        , -1.        , -1.        , -0.6392157 ,  0.0196079 ,
  110.         0.43529415,  0.9843137 ,  0.9843137 ,  0.62352943, -0.9843137 ,
  111.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  112.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  113.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  114.        -1.        , -1.        , -1.        , -1.        , -0.69411767,
  115.         0.16078436,  0.79607844,  0.9843137 ,  0.9843137 ,  0.9843137 ,
  116.         0.9607843 ,  0.427451  , -1.        , -1.        , -1.        ,
  117.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  118.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  119.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  120.        -0.8117647 , -0.10588235,  0.73333335,  0.9843137 ,  0.9843137 ,
  121.         0.9843137 ,  0.9843137 ,  0.5764706 , -0.38823527, -1.        ,
  122.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  123.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  124.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  125.        -1.        , -0.81960785, -0.4823529 ,  0.67058825,  0.9843137 ,
  126.         0.9843137 ,  0.9843137 ,  0.9843137 ,  0.5529412 , -0.36470586,
  127.        -0.9843137 , -1.        , -1.        , -1.        , -1.        ,
  128.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  129.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  130.        -1.        , -1.        , -0.85882354,  0.3411765 ,  0.7176471 ,
  131.         0.9843137 ,  0.9843137 ,  0.9843137 ,  0.9843137 ,  0.5294118 ,
  132.        -0.372549  , -0.92941177, -1.        , -1.        , -1.        ,
  133.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  134.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  135.        -1.        , -1.        , -1.        , -0.5686275 ,  0.34901965,
  136.         0.77254903,  0.9843137 ,  0.9843137 ,  0.9843137 ,  0.9843137 ,
  137.         0.9137255 ,  0.04313731, -0.9137255 , -1.        , -1.        ,
  138.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  139.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  140.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  141.        -1.        ,  0.06666672,  0.9843137 ,  0.9843137 ,  0.9843137 ,
  142.         0.6627451 ,  0.05882359,  0.03529418, -0.8745098 , -1.        ,
  143.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  144.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  145.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  146.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  147.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  148.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  149.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  150.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  151.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  152.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  153.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  154.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  155.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  156.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  157.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  158.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  159.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  160.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  161.        -1.        , -1.        , -1.        , -1.        , -1.        ,
  162.        -1.        , -1.        , -1.        , -1.        ], dtype=float32), 5)]

2.配置网络

以下的代码判断就是定义一个简单的多层感知器，一共有三层，两个大小为100的隐层和一个大小为10的输出层，因为MNIST数据集是手写0到9的灰度图像，类别有10个，所以最后的输出大小是10。最后输出层的激活函数是Softmax，所以最后的输出层相当于一个分类器。加上一个输入层的话，多层感知器的结构是：输入层-->>隐层-->>隐层-->>输出层。

  1. def multilayer_perceptron(input):
  2.     # 第一个全连接层，激活函数为ReLU
  3.     hidden1 = fluid.layers.fc(input=input, size=100, act='relu')
  4.     # 第二个全连接层，激活函数为ReLU
  5.     hidden2 = fluid.layers.fc(input=hidden1, size=100, act = 'relu')
  6.     # 以softmax为激活函数的全连接输出层，大小为10
  7.     prediction = fluid.layers.fc(input=hidden2, size=10, act = 'softmax')
  8.     return prediction

定义输入输出层，因为输入的是28*28的灰度图像，所以它的形状是[1,28,28]的，1表示的是颜色通道，如果是彩色图，则应为[3,28,28],因为彩色图有RGB三个通道

  1. image = fluid.layers.data(name = 'image', shape=[1,28,28], dtype='float32')
  2. label = fluid.layers.data(name='label', shape=[1], dtype='int64')

获取分类器，，这里用定义好的函数来获取

model = multilayer_perceptron(image)

接下来定义损失函数

这里使用的是交叉熵损失函数，此函数在分类上比较常用

cost = fluid.layers.cross_entropy(input=model, label=label)#使用交叉熵损失函数,描述真实样本标签和预测概率之间的差值

定义了一个损失函数之后，还有对它求平均值，因为定义的是一个Batch的损失值。

avg_cost = fluid.layers.mean(cost)

定义一个准确率函数，这个可以在训练的时候输出分类的准确率

acc = fluid.layers.accuracy(input=model, label=label)

接着是定义优化方法，这次我们使用的是Adam优化方法，同时指定学习率为0.001。

  1. optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.001)#使用Adam算法进行优化
  2. opts = optimizer.minimize(avg_cost)

定义一个使用CPU的解析器

  1. place = fluid.CPUPlace()
  2. exe = fluid.Executor(place)

参数初始化

exe.run(fluid.default_startup_program())

定义输入数据维度

输入数据的维度是图像数据和图像对应的标签，每个类别的图像都要对应一个标签，这个标签是从0开始递增的整形值

feeder = fluid.DataFeeder(place=place, feed_list=[image, label])

下面开始训练并测试

我们这次训练5个Pass,并且在每一轮Pass之后在进行一次测试，使用测试集进行测试，并求出当前的cost和准确率的average

  1. for pass_id in range(5):
  2.     # 进行训练
  3.     for batch_id, data in enumerate(train_reader()):              #遍历train_reader
  4.         train_cost, train_acc = exe.run(program=fluid.default_main_program(),#运行主程序
  5.                                         feed=feeder.feed(data),   #给模型喂入数据
  6.                                         fetch_list=[avg_cost, acc])#fetch 误差、准确率
  7.         # 每100个batch打印一次信息  误差、准确率
  8.         if batch_id % 100 == 0:
  9.             print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' %
  10.                   (pass_id, batch_id, train_cost[0], train_acc[0]))
  11.  
  12.     # 进行测试
  13.     test_accs = []
  14.     test_costs = []
  15.     #每训练一轮 进行一次测试
  16.     for batch_id, data in enumerate(test_reader()):                 #遍历test_reader
  17.         test_cost, test_acc = exe.run(program=fluid.default_main_program(), #执行训练程序
  18.                                       feed=feeder.feed(data),               #喂入数据
  19.                                       fetch_list=[avg_cost, acc])   #fetch 误差、准确率
  20.         test_accs.append(test_acc[0])                               #每个batch的准确率
  21.         test_costs.append(test_cost[0])                             #每个batch的误差
  22.     # 求测试结果的平均值
  23.     test_cost = (sum(test_costs) / len(test_costs))                 #每轮的平均误差
  24.     test_acc = (sum(test_accs) / len(test_accs))                    #每轮的平均准确率
  25.     print('Test:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, test_cost, test_acc))
  26.  
  27.     # 保存模型
  28.     model_save_dir = "./hand.inference.model"
  29.     # 如果保存路径不存在就创建
  30.     if not os.path.exists(model_save_dir):
  31.         os.makedirs(model_save_dir)
  32.     print('save models to %s' % (model_save_dir))
  33.     fluid.io.save_inference_model(model_save_dir, # 保存推理model的路径
  34.                                   ['image'],  # 推理（inference）需要 feed 的数据
  35.                                   [model],  # 保存推理（inference）结果的 Variables
  36.                                   exe)  # executor 保存 inference model

先运行以下看下输出

  1. Pass:0, Batch:0, Cost:2.50275, Accuracy:0.07812
  2. Pass:0, Batch:100, Cost:0.32129, Accuracy:0.89062
  3. Pass:0, Batch:200, Cost:0.28232, Accuracy:0.89062
  4. Pass:0, Batch:300, Cost:0.30894, Accuracy:0.90625
  5. Pass:0, Batch:400, Cost:0.23480, Accuracy:0.92188
  6. Test:0, Cost:0.22551, Accuracy:0.93068
  7. save models to ./hand.inference.model
  8. Pass:1, Batch:0, Cost:0.21532, Accuracy:0.91406
  9. Pass:1, Batch:100, Cost:0.25423, Accuracy:0.92188
  10. Pass:1, Batch:200, Cost:0.16427, Accuracy:0.96094
  11. Pass:1, Batch:300, Cost:0.12058, Accuracy:0.96875
  12. Pass:1, Batch:400, Cost:0.13565, Accuracy:0.94531
  13. Test:1, Cost:0.14589, Accuracy:0.95481
  14. save models to ./hand.inference.model
  15. Pass:2, Batch:0, Cost:0.14125, Accuracy:0.95312
  16. Pass:2, Batch:100, Cost:0.14312, Accuracy:0.96094
  17. Pass:2, Batch:200, Cost:0.07529, Accuracy:0.96875
  18. Pass:2, Batch:300, Cost:0.10757, Accuracy:0.96094
  19. Pass:2, Batch:400, Cost:0.19855, Accuracy:0.94531
  20. Test:2, Cost:0.11291, Accuracy:0.96242
  21. save models to ./hand.inference.model
  22. Pass:3, Batch:0, Cost:0.10000, Accuracy:0.96875
  23. Pass:3, Batch:100, Cost:0.12072, Accuracy:0.96094
  24. Pass:3, Batch:200, Cost:0.05219, Accuracy:0.97656
  25. Pass:3, Batch:300, Cost:0.09506, Accuracy:0.97656
  26. Pass:3, Batch:400, Cost:0.13533, Accuracy:0.95312
  27. Test:3, Cost:0.09648, Accuracy:0.96915
  28. save models to ./hand.inference.model
  29. Pass:4, Batch:0, Cost:0.18229, Accuracy:0.95312
  30. Pass:4, Batch:100, Cost:0.12360, Accuracy:0.96875
  31. Pass:4, Batch:200, Cost:0.10631, Accuracy:0.96875
  32. Pass:4, Batch:300, Cost:0.10291, Accuracy:0.97656
  33. Pass:4, Batch:400, Cost:0.06706, Accuracy:0.97656
  34. Test:4, Cost:0.07825, Accuracy:0.97498
  35. save models to ./hand.inference.model

可以看到最终损失率在不断减小，准确率在不断接近1

4.模型预测

在预测之前，要对图像进行预处理，处理方式要跟训练时的一样

首先进行灰度化，然后压缩图像大小为28*28，接着将图像转换成一维向量，最后对一维向量进行归一化处理

  1. def load_image(file):
  2.     #将RGB转化为灰度图像，L代表灰度图像，灰度图像的像素值在0~255之间
  3.     im = Image.open(file).convert('L')
  4.     im = im.resize((28,28), Image.ANTIALIAS) #resize image with high-quality 图像大小为28*28
  5.     #返回新形状的数组,把它变成一个 numpy 数组以匹配数据馈送格式。    
  6.     im = np.array(im).reshape(1,1,28,28).astype(np.float32)
  7.  
  8.     im = im / 255.0 * 2.0 -1.0 #归一化到【-1~1】之间
  9.     print(im)
  10.     return im
  11.  
  12. img = Image.open('./6.png')
  13. plt.imshow(img) #根据数组绘制图像
  14. plt.show() #显示图像

运行一下看下结果：原图像随便用画图板画的

已经转换成功，将刚三行代码注释掉

重新定义一个CPU解析器并预测作用域

  1. infer_exe = fluid.Executor(place)
  2. inference_scope = fluid.core.Scope() #预测作用域

加载数据并开始预测

  1. with fluid.scope_guard(inference_scope):
  2.     #获取训练好的模型
  3.     #从指定目录中加载 推理model(inference model)
  4.     [inference_program,#推理Program
  5.      feed_target_names,#是一个str列表，它包含需要在推理 Program 中提供数据的变量的名称。
  6.      fetch_targets #fetch_targets：是一个 Variable 列表，从中我们可以得到推断结果。
  7.     ] = fluid.io.load_inference_model(
  8.         model_save_dir,#model_save_dir：模型保存的路径
  9.         infer_exe)#infer_exe: 运行 inference model的 executor
  10.  
  11.     img = load_image('./6.png')
  12.  
  13.     results = exe.run(program=inference_program,#运行推测程序
  14.                       feed={feed_target_names[0]:img}, #喂入要预测的img
  15.                       fetch_list=fetch_targets) #得到推测结果

获取概率最大的label

  1. lab = np.argsort(results)#argsort函数返回的是result数组值从小到大的索引值
  2. print("该图片的预测结果的label是:%d" % lab[0][0][-1]) #-1代表读取数组中倒数第一列

开始运行：打印结果为

该图片的预测结果的label是:0

又运行了几次，有1，有3，就是没有6......

换张图片试一下，这次用粗笔画的6，最后...

 

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/羊村懒王/article/detail/339436
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号