PyTorch實現手寫數位的識別入門小白教學

2022-06-01 14:02:08

手寫數位識別（小白入門）

今早剛剛上了節實驗課，關於邏輯迴歸，所以手有點刺撓就想發個部落格，作為剛剛入門的小白，看到程式碼執行成功就有點小激動，這個實驗沒啥含金量，所以路過的大牛不要停留，我怕你們吐槽哈哈。

實驗結果：

1.資料預處理

其實呢，原理很簡單，就是使用多變數邏輯迴歸，將訓練28*28圖片的灰度值轉換成一維矩陣，這就變成了求784個特徵向量1個標籤的邏輯迴歸問題。程式碼如下：

#資料預處理
trainData = np.loadtxt(open('digits_training.csv', 'r'), delimiter=",",skiprows=1)#裝載資料
MTrain, NTrain = np.shape(trainData)  #行列數
print("訓練集：",MTrain,NTrain)
xTrain = trainData[:,1:NTrain]
xTrain_col_avg = np.mean(xTrain, axis=0) #對各列求均值
xTrain =(xTrain- xTrain_col_avg)/255  #歸一化
yTrain = trainData[:,0]

2.訓練模型

對於數學差的一批的我來說，學習演演算法真的是太太太扎心了，好在具體演演算法封裝在了sklearn庫中。簡單兩行程式碼即可完成。具體引數的含義隨隨便便一搜到處都是，我就不班門弄斧了，每次看見演演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.測試模型，儲存

接下來測試一下模型，準確率能達到百分之90，也不算太高，訓練資料集本來也不是很多。
為了方便，所以把模型儲存下來，不至於執行一次就得訓練一次。

#測試模型
testData = np.loadtxt(open('digits_testing.csv', 'r'), delimiter=",",skiprows=1)
MTest,NTest = np.shape(testData)
print("測試集：",MTest,NTest)
xTest = testData[:,1:NTest]
xTest = (xTest-xTrain_col_avg) /255   # 使用訓練資料的列均值進行處理
yTest = testData[:,0]
yPredict = model.predict(xTest)
errors = np.count_nonzero(yTest - yPredict) #返回非零項個數
print("預測完畢。錯誤：", errors, "條")
print("測試資料正確率:", (MTest - errors) / MTest)

'''================================='''
#儲存模型

# 建立檔案目錄
dirs = 'testModel'
if not os.path.exists(dirs):
    os.makedirs(dirs)
joblib.dump(model, dirs+'/model.pkl')
print("模型已儲存")

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

4.呼叫模型

既然模型訓練好了，就來放幾張圖片呼叫模型試一下看看怎麼樣
匯入要測試的圖片，然後更改大小為28*28，將圖片二值化減小誤差。
為了讓結果看起來有逼格，所以最後把圖片和識別數位同實顯示出來。

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

map=cv2.imread(r"C:UserslenovoDesktop[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.完整程式碼

test1.py

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

#資料預處理
trainData = np.loadtxt(open('digits_training.csv', 'r'), delimiter=",",skiprows=1)#裝載資料
MTrain, NTrain = np.shape(trainData)  #行列數
print("訓練集：",MTrain,NTrain)
xTrain = trainData[:,1:NTrain]
xTrain_col_avg = np.mean(xTrain, axis=0) #對各列求均值
xTrain =(xTrain- xTrain_col_avg)/255  #歸一化
yTrain = trainData[:,0]

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

'''================================='''
#測試模型
testData = np.loadtxt(open('digits_testing.csv', 'r'), delimiter=",",skiprows=1)
MTest,NTest = np.shape(testData)
print("測試集：",MTest,NTest)
xTest = testData[:,1:NTest]
xTest = (xTest-xTrain_col_avg) /255   # 使用訓練資料的列均值進行處理
yTest = testData[:,0]
yPredict = model.predict(xTest)
errors = np.count_nonzero(yTest - yPredict) #返回非零項個數
print("預測完畢。錯誤：", errors, "條")
print("測試資料正確率:", (MTest - errors) / MTest)

'''================================='''
#儲存模型

# 建立檔案目錄
dirs = 'testModel'
if not os.path.exists(dirs):
    os.makedirs(dirs)
joblib.dump(model, dirs+'/model.pkl')
print("模型已儲存")

執行結果

test2.py

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

map=cv2.imread(r"C:UserslenovoDesktop[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)

提供幾張樣本用來測試：