這篇文章主要介紹了python實(shí)現(xiàn)手寫數(shù)字識(shí)別，非常適合小白入門學(xué)習(xí)，本文通過實(shí)例圖文相結(jié)合給大家介紹的非常詳細(xì)，對(duì)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

手寫數(shù)字識(shí)別（小白入門）

今早剛剛上了節(jié)實(shí)驗(yàn)課，關(guān)于邏輯回歸，所以手有點(diǎn)刺撓就想發(fā)個(gè)博客，作為剛剛?cè)腴T的小白，看到代碼運(yùn)行成功就有點(diǎn)小激動(dòng)，這個(gè)實(shí)驗(yàn)沒啥含金量，所以路過的大牛不要停留，我怕你們吐槽哈哈。

實(shí)驗(yàn)結(jié)果：

在這里插入圖片描述

1.數(shù)據(jù)預(yù)處理

其實(shí)呢，原理很簡(jiǎn)單，就是使用多變量邏輯回歸，將訓(xùn)練28*28圖片的灰度值轉(zhuǎn)換成一維矩陣，這就變成了求784個(gè)特征向量1個(gè)標(biāo)簽的邏輯回歸問題。代碼如下：

#數(shù)據(jù)預(yù)處理
trainData = np.loadtxt(open('digits_training.csv', 'r'), delimiter=",",skiprows=1)#裝載數(shù)據(jù)
MTrain, NTrain = np.shape(trainData)  #行列數(shù)
print("訓(xùn)練集：",MTrain,NTrain)
xTrain = trainData[:,1:NTrain]
xTrain_col_avg = np.mean(xTrain, axis=0) #對(duì)各列求均值
xTrain =(xTrain- xTrain_col_avg)/255  #歸一化
yTrain = trainData[:,0]

2.訓(xùn)練模型

對(duì)于數(shù)學(xué)差的一批的我來(lái)說，學(xué)習(xí)算法真的是太太太扎心了，好在具體算法封裝在了sklearn庫(kù)中。簡(jiǎn)單兩行代碼即可完成。具體參數(shù)的含義隨隨便便一搜到處都是，我就不班門弄斧了，每次看見算法除了頭暈啥感覺沒有。

model = LogisticRegression(solver='lbfgs', multi_class='multinomial', max_iter=500)
model.fit(xTrain, yTrain)

3.測(cè)試模型，保存

接下來(lái)測(cè)試一下模型，準(zhǔn)確率能達(dá)到百分之90，也不算太高，訓(xùn)練數(shù)據(jù)集本來(lái)也不是很多。
為了方便，所以把模型保存下來(lái)，不至于運(yùn)行一次就得訓(xùn)練一次。

#測(cè)試模型
testData = np.loadtxt(open('digits_testing.csv', 'r'), delimiter=",",skiprows=1)
MTest,NTest = np.shape(testData)
print("測(cè)試集：",MTest,NTest)
xTest = testData[:,1:NTest]
xTest = (xTest-xTrain_col_avg) /255   # 使用訓(xùn)練數(shù)據(jù)的列均值進(jìn)行處理
yTest = testData[:,0]
yPredict = model.predict(xTest)
errors = np.count_nonzero(yTest - yPredict) #返回非零項(xiàng)個(gè)數(shù)
print("預(yù)測(cè)完畢。錯(cuò)誤：", errors, "條")
print("測(cè)試數(shù)據(jù)正確率:", (MTest - errors) / MTest)

'''================================='''
#保存模型

# 創(chuàng)建文件目錄
dirs = 'testModel'
if not os.path.exists(dirs):
    os.makedirs(dirs)
joblib.dump(model, dirs+'/model.pkl')
print("模型已保存")

https://download.csdn.net/download/qq_45874897/12427896 需要的可以自行下載

4.調(diào)用模型

既然模型訓(xùn)練好了，就來(lái)放幾張圖片調(diào)用模型試一下看看怎么樣
導(dǎo)入要測(cè)試的圖片，然后更改大小為28*28，將圖片二值化減小誤差。
為了讓結(jié)果看起來(lái)有逼格，所以最后把圖片和識(shí)別數(shù)字同實(shí)顯示出來(lái)。

import  cv2
import numpy as np
from sklearn.externals import joblib

map=cv2.imread(r"C:\Users\lenovo\Desktop\[DX6@[C$%@2RS0R2KPE[W@V.png")
GrayImage = cv2.cvtColor(map, cv2.COLOR_BGR2GRAY)
ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)
Image=cv2.resize(thresh2,(28,28))
img_array = np.asarray(Image)
z=img_array.reshape(1,-1)

'''================================================'''

model = joblib.load('testModel'+'/model.pkl')
yPredict = model.predict(z)
print(yPredict)
y=str(yPredict)
cv2.putText(map,y, (10,20), cv2.FONT_HERSHEY_SIMPLEX,0.7,(0,0,255), 2, cv2.LINE_AA)
cv2.imshow("map",map)
cv2.waitKey(0)

5.完整代碼

test1.py

import numpy as np
from sklearn.linear_model import LogisticRegression
import os
from sklearn.externals import joblib

#數(shù)據(jù)預(yù)處理
trainData = np.loadtxt(open('digits_training.csv', 'r'), delimiter=",",skiprows=1)#裝載數(shù)據(jù)
MTrain, NTrain = np.shape(trainData)  #行列數(shù)
print("訓(xùn)練集：",MTrain,NTrain)
xTrain = trainData[:,1:NTrain]
xTrain_col_avg = np.mean(xTrain, axis=0) #對(duì)各列求均值
xTrain =(xTrain- xTrain_col_avg)/255  #歸一化
yTrain = trainData[:,0]

'''================================='''
#訓(xùn)練模型
model = LogisticRegression(solver='lbfgs', multi_class='multinomial', max_iter=500)
model.fit(xTrain, yTrain)
print("訓(xùn)練完畢")

'''================================='''
#測(cè)試模型
testData = np.loadtxt(open('digits_testing.csv', 'r'), delimiter=",",skiprows=1)
MTest,NTest = np.shape(testData)
print("測(cè)試集：",MTest,NTest)
xTest = testData[:,1:NTest]
xTest = (xTest-xTrain_col_avg) /255   # 使用訓(xùn)練數(shù)據(jù)的列均值進(jìn)行處理
yTest = testData[:,0]
yPredict = model.predict(xTest)
errors = np.count_nonzero(yTest - yPredict) #返回非零項(xiàng)個(gè)數(shù)
print("預(yù)測(cè)完畢。錯(cuò)誤：", errors, "條")
print("測(cè)試數(shù)據(jù)正確率:", (MTest - errors) / MTest)

'''================================='''
#保存模型

# 創(chuàng)建文件目錄
dirs = 'testModel'
if not os.path.exists(dirs):
    os.makedirs(dirs)
joblib.dump(model, dirs+'/model.pkl')
print("模型已保存")

運(yùn)行結(jié)果

在這里插入圖片描述

test2.py

import  cv2
import numpy as np
from sklearn.externals import joblib

map=cv2.imread(r"C:\Users\lenovo\Desktop\[DX6@[C$%@2RS0R2KPE[W@V.png")
GrayImage = cv2.cvtColor(map, cv2.COLOR_BGR2GRAY)
ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)
Image=cv2.resize(thresh2,(28,28))
img_array = np.asarray(Image)
z=img_array.reshape(1,-1)

'''================================================'''

model = joblib.load('testModel'+'/model.pkl')
yPredict = model.predict(z)
print(yPredict)
y=str(yPredict)
cv2.putText(map,y, (10,20), cv2.FONT_HERSHEY_SIMPLEX,0.7,(0,0,255), 2, cv2.LINE_AA)
cv2.imshow("map",map)
cv2.waitKey(0)

提供幾張樣本用來(lái)測(cè)試：

在這里插入圖片描述

實(shí)驗(yàn)中還有很多地方需要優(yōu)化，比如數(shù)據(jù)集太少，泛化能力太差，用樣本的數(shù)據(jù)測(cè)試正確率挺高，但是用我自己手寫的字正確率就太低了，可能我字寫的太丑，哎，還是自己太菜了，以后得多學(xué)學(xué)算法了。

到此這篇關(guān)于PyTorch實(shí)現(xiàn)手寫數(shù)字的識(shí)別入門小白教程的文章就介紹到這了,更多相關(guān)PyTorch手寫數(shù)字識(shí)別內(nèi)容請(qǐng)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！

您可能感興趣的文章: