導入所需的庫模塊：

import os import cv2 import numpy as np import tensorflow as tf2 import matplotlib.pyplot as plt import tensorflow.compat.v1 as tf

import tensorflow.compat.v1 as tf
這句話是為了將tensorflow 2.x轉為1.x，tensorflow1.x更能表現網絡結構
import os
是調用系統，可有可無，為了不顯示警告內容所以調用該模塊

小批量訓練法的數據分割：

def nextBatch(data,batch_size,n):#小批量梯度下降法獲取當前數據集函數#data為全部數據[X,Y],batch_size為當前子數據集大小,n為第n個子數據集a=n*batch_sizeb=(n+1)*batch_sizelimdata=len(data[0])if b>limdata:b=limdataa=b-batch_sizedata_x=data[0][a:b]data_y=data[1][a:b]return data_x,data_y

這里是為了將數據集切割成小批量數據，完成訓練，小批量訓練結果更好。

CNN網絡：

def main_train():(x_tr0,y_tr0),(x_te0,y_te0)=tf2.keras.datasets.mnist.load_data()#手寫數據庫y_tr=np.zeros((len(y_tr0),10))y_te=np.zeros((len(y_te0),10))for i in range(len(y_tr0)):y_tr[i][y_tr0[i]]=1for i in range(len(y_te0)):y_te[i][y_te0[i]]=1x_tr=x_tr0.reshape(-1,28,28,1)x_te=x_te0.reshape(-1,28,28,1)training_epochs=100#訓練步數batch_count=20#小批量訓練子集數量L=32#卷積層1所提取特征個數M=64#卷積層2所提取特征個數N=128#卷積層3所提取特征個數O=625#全連接就層神經元數 # with tf.device('/cpu:0'):with tf.device('/gpu:0'):Xin=tf.placeholder(tf.float32,[None,28,28,1],name='Xin')#28×28維輸入特征Yout=tf.placeholder(tf.float32,[None,10],name="Yout")#10類分類結果標簽W1=tf.Variable(tf.random_normal([3,3,1,L],stddev=0.01))#卷積層1的卷積核權值張量，卷積核大小3×3，輸入數據為1通道，輸出特征為32通道W2=tf.Variable(tf.random_normal([3,3,L,M],stddev=0.01))#卷積層2的卷積核權值張量，卷積核大小3×3，輸入數據為32通道，輸出特征為64通道W3=tf.Variable(tf.random_normal([3,3,M,N],stddev=0.01))#卷積層3的卷積核權值張量，卷積核大小3×3，輸入數據為64通道，輸出特征為128通道W4=tf.Variable(tf.random_normal([N*4*4,O],stddev=0.01))#全連接層權值張量，輸入數據為128×4×4個，輸出為625個,這里需要把上一層的高維張量扁平化W5=tf.Variable(tf.random_normal([O,10],stddev=0.01))#輸出層權值張量，輸入數據為625，輸出為10類b1=tf.Variable(tf.random_normal([L],stddev=0.01))#卷積層1的輸出特征閾值，輸出特征為32通道，每個通道共享一個閾值b2=tf.Variable(tf.random_normal([M],stddev=0.01))#卷積層2的輸出特征閾值，輸出特征為64通道，每個通道共享一個閾值b3=tf.Variable(tf.random_normal([N],stddev=0.01))#卷積層3的輸出特征閾值，輸出特征為128通道，每個通道共享一個閾值b4=tf.Variable(tf.random_normal([O],stddev=0.01))#全連接層閾值b5=tf.Variable(tf.random_normal([10],stddev=0.01))#輸出層閾值'''卷積層一'''conv1a=tf.nn.conv2d(Xin,W1,strides=[1,1,1,1],padding='SAME')conv1b=tf.nn.bias_add(conv1a,b1)conv1c=tf.nn.relu(conv1b)'''池化層一'''conv1=tf.nn.max_pool(conv1c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')'''卷積層二'''conv2a=tf.nn.conv2d(conv1,W2,strides=[1,1,1,1],padding='SAME')conv2b=tf.nn.bias_add(conv2a,b2)conv2c=tf.nn.relu(conv2b) '''池化層二'''conv2=tf.nn.max_pool(conv2c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')'''卷積層三'''conv3a=tf.nn.conv2d(conv2,W3,strides=[1,1,1,1],padding='SAME')conv3b=tf.nn.bias_add(conv3a,b3)conv3c=tf.nn.relu(conv3b) '''池化層三'''conv3d=tf.nn.max_pool(conv3c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')conv3=tf.reshape(conv3d,[-1,W4.get_shape().as_list()[0]])#扁平化'''全連接層'''FCa=tf.matmul(conv3,W4)+b4FC=tf.nn.relu(FCa)'''輸出層'''Y_=tf.matmul(FC,W5)+b5 Y=tf.nn.softmax(Y_,name="output")#經歷softmax分類激活函數后的數值'''損失'''cross_entropy=tf.nn.softmax_cross_entropy_with_logits(logits=Y_, labels=Yout)loss=tf.reduce_mean(cross_entropy)*100#交叉損失correct_prediction=tf.equal(tf.argmax(Y,1),tf.argmax(Yout,1))accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32),name='accuracy')#正確率'''優化器'''trainer=tf.train.RMSPropOptimizer(learning_rate=0.001,momentum=0.9).minimize(loss)init=tf.global_variables_initializer()#變量初始化賦值器with tf.Session() as sess: sess.run(init)#變量初始化out_init=sess.run(accuracy,feed_dict={Xin:x_tr[0:20000],Yout:y_tr[0:20000]})#計算初始誤差print("初始準確率為:{:.4f}%".format(out_init*100))#輸出初始誤差for epoch in range(training_epochs):#訓練步數print("當前訓練步為第{}步".format(epoch+1))batch_size=int(len(y_tr)/batch_count)#當前子集大小for i in range(batch_count):#對每個子集遍歷訓練batch_x,batch_y=nextBatch([x_tr[0:20000],y_tr[0:20000]],batch_size,i)#當前子集的訓練集特征和標簽數據sess.run(trainer,feed_dict={Xin:batch_x,Yout:batch_y})out=sess.run(accuracy,feed_dict={Xin:x_tr[0:20000],Yout:y_tr[0:20000]})#計算當前誤差print("當前準確率為:{:.4f}%".format(out*100))#當前初始誤差'''當前會話存儲'''if out>out_init:out_init=outsaver=tf.train.Saver()saver.save(sess,r".\savefile\CNN\FigureCNN.ckpt")

下面做詳細分析。
首先要導入手寫數據庫，tensorflow2.0自帶手寫字體數據庫，用下面語句導入：

(x_tr0,y_tr0),(x_te0,y_te0)=tf2.keras.datasets.mnist.load_data()

x_tr0,y_tr0是60000個訓練集的圖片和標簽。圖片是28×28像素，標簽是該圖像所對應的數字。
x_te0,y_te0是10000個測練集的圖片和標簽。圖片是28×28像素，標簽是該圖像所對應的數字。
在神經網絡中，我們輸出是10類，利用softmax函數做輸出，因此標簽的形式應為10位的，數字0應為“1000000000”，數字1為“0100000000”，數字2為“0010000000”，…，數字9為“0000000001”。
下面改變輸出標簽的格式：

y_tr=np.zeros((len(y_tr0),10))y_te=np.zeros((len(y_te0),10))for i in range(len(y_tr0)):y_tr[i][y_tr0[i]]=1for i in range(len(y_te0)):y_te[i][y_te0[i]]=1

此外，數據輸入格式也要做改變，輸入數據是28×28像素黑白圖片，讀入信息是2階矩陣，在網絡中改為3階矩陣，這里進行形式變換：

x_tr=x_tr0.reshape(-1,28,28,1)x_te=x_te0.reshape(-1,28,28,1)

接下來輸入網絡計算的相關參數：

training_epochs=100#訓練步數batch_count=20#小批量訓練子集數量L=32#卷積層1所提取特征個數M=64#卷積層2所提取特征個數N=128#卷積層3所提取特征個數O=625#全連接就層神經元數

接下來，神經網絡可以使用cpu計算，也可以使用gpu計算，cpu計算格式為：

with tf.device('/cpu:0'):

gpu計算格式為：

with tf.device('/gpu:0'):

如果不寫這兩句話，按照安裝的tensorflow版本默認計算。我安裝的tensorflow是gpu版本，默認進行gpu計算。

下面，定義網絡的權值閾值：

W1=tf.Variable(tf.random_normal([3,3,1,L],stddev=0.01))#卷積層1的卷積核權值張量，卷積核大小3×3，輸入數據為1通道，輸出特征為32通道W2=tf.Variable(tf.random_normal([3,3,L,M],stddev=0.01))#卷積層2的卷積核權值張量，卷積核大小3×3，輸入數據為32通道，輸出特征為64通道W3=tf.Variable(tf.random_normal([3,3,M,N],stddev=0.01))#卷積層3的卷積核權值張量，卷積核大小3×3，輸入數據為64通道，輸出特征為128通道W4=tf.Variable(tf.random_normal([N*4*4,O],stddev=0.01))#全連接層權值張量，輸入數據為128×4×4個，輸出為625個,這里需要把上一層的高維張量扁平化W5=tf.Variable(tf.random_normal([O,10],stddev=0.01))#輸出層權值張量，輸入數據為625，輸出為10類b1=tf.Variable(tf.random_normal([L],stddev=0.01))#卷積層1的輸出特征閾值，輸出特征為32通道，每個通道共享一個閾值b2=tf.Variable(tf.random_normal([M],stddev=0.01))#卷積層2的輸出特征閾值，輸出特征為64通道，每個通道共享一個閾值b3=tf.Variable(tf.random_normal([N],stddev=0.01))#卷積層3的輸出特征閾值，輸出特征為128通道，每個通道共享一個閾值b4=tf.Variable(tf.random_normal([O],stddev=0.01))#全連接層閾值b5=tf.Variable(tf.random_normal([10],stddev=0.01))#輸出層閾值

下面構建CNN網絡：

Xin=tf.placeholder(tf.float32,[None,28,28,1],name='Xin')#28×28維輸入特征Yout=tf.placeholder(tf.float32,[None,10],name="Yout")#10類分類結果標簽'''卷積層一'''conv1a=tf.nn.conv2d(Xin,W1,strides=[1,1,1,1],padding='SAME')conv1b=tf.nn.bias_add(conv1a,b1)conv1c=tf.nn.relu(conv1b)'''池化層一'''conv1=tf.nn.max_pool(conv1c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')'''卷積層二'''conv2a=tf.nn.conv2d(conv1,W2,strides=[1,1,1,1],padding='SAME')conv2b=tf.nn.bias_add(conv2a,b2)conv2c=tf.nn.relu(conv2b) '''池化層二'''conv2=tf.nn.max_pool(conv2c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')'''卷積層三'''conv3a=tf.nn.conv2d(conv2,W3,strides=[1,1,1,1],padding='SAME')conv3b=tf.nn.bias_add(conv3a,b3)conv3c=tf.nn.relu(conv3b) '''池化層三'''conv3d=tf.nn.max_pool(conv3c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')conv3=tf.reshape(conv3d,[-1,W4.get_shape().as_list()[0]])#扁平化'''全連接層'''FCa=tf.matmul(conv3,W4)+b4FC=tf.nn.relu(FCa)'''輸出層'''Y_=tf.matmul(FC,W5)+b5 Y=tf.nn.softmax(Y_,name="output")#經歷softmax分類激活函數后的數值

tf.placeholder()占位符是用于接收外界輸入
tf.nn.conv2d(）進行卷積操作
tf.nn.bias_add()偏置的加法操作
tf.nn.relu(）Relu函數，用作卷積層激活函數
tf.nn.max_pool()最大池化函數，池化是用于減少特征量，避免數據爆炸，但是也減少其中的信息量
tf.reshape(）用于改變數據形態，全連接層之前要將數據扁平化，變為一維，便于輸出計算
Y_=tf.matmul(FC,W5)+b5 這是全連接層的計算，權值相乘，閾值相加
tf.nn.softmax(）是softmax函數，計算輸出的概率

下面定義損失函數以及正確率計算函數：

cross_entropy=tf.nn.softmax_cross_entropy_with_logits(logits=Y_, labels=Yout)loss=tf.reduce_mean(cross_entropy)*100#交叉損失correct_prediction=tf.equal(tf.argmax(Y,1),tf.argmax(Yout,1))accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32),name='accuracy')#正確率

下面定義優化器：

trainer=tf.train.RMSPropOptimizer(learning_rate=0.001,momentum=0.9).minimize(loss)

這里是RMS優化算法，參數包括學習率和動量

下面進行數據訓練計算：

with tf.Session() as sess: sess.run(init)#變量初始化out_init=sess.run(accuracy,feed_dict={Xin:x_tr[0:20000],Yout:y_tr[0:20000]})#計算初始準確率print("初始準確率為:{:.4f}%".format(out_init*100))#輸出初始準確率for epoch in range(training_epochs):#訓練步數print("當前訓練步為第{}步".format(epoch+1))batch_size=int(len(y_tr)/batch_count)#當前子集大小for i in range(batch_count):#對每個子集遍歷訓練batch_x,batch_y=nextBatch([x_tr[0:20000],y_tr[0:20000]],batch_size,i)#當前子集的訓練集特征和標簽數據sess.run(trainer,feed_dict={Xin:batch_x,Yout:batch_y})out=sess.run(accuracy,feed_dict={Xin:x_tr[0:20000],Yout:y_tr[0:20000]})#計算當前誤差print("當前準確率為:{:.4f}%".format(out*100))#當前初始誤差

x_tr[0:20000]和y_tr[0:20000]的說明：我的gpu是gtx1050Ti，顯存是4G，兩萬張圖片數據的輸入是網絡中數據的顯存極限，再多的數據量就溢出了，不能完成訓練。因此，我選擇前兩萬張訓練集數據作為輸入，這個根據每個人的電腦不一樣而不同。
with tf.Session() as sess：是構建會話且自動關閉

為了防止模型丟失，需要將模型存儲下來。我們存儲準確率最好的會話：

if out>out_init:out_init=outsaver=tf.train.Saver()saver.save(sess,r".\savefile\CNN\FigureCNN.ckpt")

讀取模型和自己的圖片測試：

def main_test():(x_tr0,y_tr0),(x_te0,y_te0)=tf2.keras.datasets.mnist.load_data()#手寫數據庫y_tr=np.zeros((len(y_tr0),10))y_te=np.zeros((len(y_te0),10))for i in range(len(y_tr0)):y_tr[i][y_tr0[i]]=1for i in range(len(y_te0)):y_te[i][y_te0[i]]=1x_tr=x_tr0.reshape(-1,28,28,1)x_te=x_te0.reshape(-1,28,28,1)road=[r".\savefile\CNN\FigureCNN.ckpt.meta",r".\savefile\CNN\FigureCNN.ckpt"]sess=tf.InteractiveSession()new_saver=tf.train.import_meta_graph(road[0])new_saver.restore(sess,road[1])tf.get_default_graph().as_graph_def()Xin=sess.graph.get_tensor_by_name('Xin:0')Yout=sess.graph.get_tensor_by_name("Yout:0") accuracy=sess.graph.get_tensor_by_name('accuracy:0')Y=sess.graph.get_tensor_by_name('output:0')Ote=sess.run(accuracy,feed_dict={Xin:x_te,Yout:y_te})print("測試集準確率為:{:.4f}%".format(Ote*100))Ote=sess.run(accuracy,feed_dict={Xin:x_tr[30000:40000],Yout:y_tr[30000:40000]})print("訓練集集準確率為:{:.4f}%".format(Ote*100))u=eval(input("輸入0-9999之間的一個整數:"))if (u<0) or (u>9999):print('錯誤！')sess.close()returnOtem=sess.run(Y,feed_dict={Xin:[x_te[u]]})print('手寫的數字為:{}'.format(Otem.argmax()))plt.imshow(x_te[u].reshape(28,28))plt.show()#手寫數字展示for i in [0,2,4,5,9]:roadpic=r'.\picturefile\handwriting'+str(i)+'.jpg'pic=cv2.imread(roadpic,flags=0)pic1=255-picpic=pic1.reshape(-1,28,28,1)Otem=sess.run(Y,feed_dict={Xin:pic})print('手寫的數字為:{}'.format(Otem.argmax()))plt.imshow(pic1)plt.show()#手寫數字展示sess.close()return

下面進行詳細分析，先導入數據和測試集輸出數據變換形態：

(x_tr0,y_tr0),(x_te0,y_te0)=tf2.keras.datasets.mnist.load_data()#手寫數據庫y_tr=np.zeros((len(y_tr0),10))y_te=np.zeros((len(y_te0),10))for i in range(len(y_tr0)):y_tr[i][y_tr0[i]]=1for i in range(len(y_te0)):y_te[i][y_te0[i]]=1x_tr=x_tr0.reshape(-1,28,28,1)x_te=x_te0.reshape(-1,28,28,1)

讀取已存儲的模型：

road=[r".\savefile\CNN\FigureCNN.ckpt.meta",r".\savefile\CNN\FigureCNN.ckpt"]sess=tf.InteractiveSession()new_saver=tf.train.import_meta_graph(road[0])new_saver.restore(sess,road[1])tf.get_default_graph().as_graph_def()Xin=sess.graph.get_tensor_by_name('Xin:0')Yout=sess.graph.get_tensor_by_name("Yout:0") accuracy=sess.graph.get_tensor_by_name('accuracy:0')Y=sess.graph.get_tensor_by_name('output:0')

計算測試集和訓練集其他數據的準確率：

Ote=sess.run(accuracy,feed_dict={Xin:x_te,Yout:y_te})print("測試集準確率為:{:.4f}%".format(Ote*100))Ote=sess.run(accuracy,feed_dict={Xin:x_tr[30000:40000],Yout:y_tr[30000:40000]})print("訓練集集準確率為:{:.4f}%".format(Ote*100))

隨機選擇測試集的一個數據，輸出模型預測結果并查看這個數據，看看結果：

u=eval(input("輸入0-9999之間的一個整數:"))if (u<0) or (u>9999):print('錯誤！')sess.close()returnOtem=sess.run(Y,feed_dict={Xin:[x_te[u]]})print('手寫的數字為:{}'.format(Otem.argmax()))plt.imshow(x_te[u].reshape(28,28))plt.show()#手寫數字展示

將自己寫的28×28的圖片預測結果：

for i in [0,2,4,5,9]:roadpic=r'.\picturefile\handwriting'+str(i)+'.jpg'pic=cv2.imread(roadpic,flags=0)pic1=255-picpic=pic1.reshape(-1,28,28,1)Otem=sess.run(Y,feed_dict={Xin:pic})print('手寫的數字為:{}'.format(Otem.argmax()))plt.imshow(pic1)plt.show()#手寫數字展示

roadpic是圖片的位置，共5張自己制作的圖片：

所有程序：

''' Created on 2021年11月2日@author: 紫薇星君 ''' import os import cv2 import numpy as np import tensorflow as tf2 import matplotlib.pyplot as plt import tensorflow.compat.v1 as tfdef nextBatch(data,batch_size,n):#小批量梯度下降法獲取當前數據集函數#data為全部數據[X,Y],batch_size為當前子數據集大小,n為第n個子數據集a=n*batch_sizeb=(n+1)*batch_sizelimdata=len(data[0])if b>limdata:b=limdataa=b-batch_sizedata_x=data[0][a:b]data_y=data[1][a:b]return data_x,data_ydef main_train():(x_tr0,y_tr0),(x_te0,y_te0)=tf2.keras.datasets.mnist.load_data()#手寫數據庫y_tr=np.zeros((len(y_tr0),10))y_te=np.zeros((len(y_te0),10))for i in range(len(y_tr0)):y_tr[i][y_tr0[i]]=1for i in range(len(y_te0)):y_te[i][y_te0[i]]=1x_tr=x_tr0.reshape(-1,28,28,1)x_te=x_te0.reshape(-1,28,28,1)training_epochs=100#訓練步數batch_count=20#小批量訓練子集數量L=32#卷積層1所提取特征個數M=64#卷積層2所提取特征個數N=128#卷積層3所提取特征個數O=625#全連接就層神經元數 # with tf.device('/cpu:0'):with tf.device('/gpu:0'):Xin=tf.placeholder(tf.float32,[None,28,28,1],name='Xin')#28×28維輸入特征Yout=tf.placeholder(tf.float32,[None,10],name="Yout")#10類分類結果標簽W1=tf.Variable(tf.random_normal([3,3,1,L],stddev=0.01))#卷積層1的卷積核權值張量，卷積核大小3×3，輸入數據為1通道，輸出特征為32通道W2=tf.Variable(tf.random_normal([3,3,L,M],stddev=0.01))#卷積層2的卷積核權值張量，卷積核大小3×3，輸入數據為32通道，輸出特征為64通道W3=tf.Variable(tf.random_normal([3,3,M,N],stddev=0.01))#卷積層3的卷積核權值張量，卷積核大小3×3，輸入數據為64通道，輸出特征為128通道W4=tf.Variable(tf.random_normal([N*4*4,O],stddev=0.01))#全連接層權值張量，輸入數據為128×4×4個，輸出為625個,這里需要把上一層的高維張量扁平化W5=tf.Variable(tf.random_normal([O,10],stddev=0.01))#輸出層權值張量，輸入數據為625，輸出為10類b1=tf.Variable(tf.random_normal([L],stddev=0.01))#卷積層1的輸出特征閾值，輸出特征為32通道，每個通道共享一個閾值b2=tf.Variable(tf.random_normal([M],stddev=0.01))#卷積層2的輸出特征閾值，輸出特征為64通道，每個通道共享一個閾值b3=tf.Variable(tf.random_normal([N],stddev=0.01))#卷積層3的輸出特征閾值，輸出特征為128通道，每個通道共享一個閾值b4=tf.Variable(tf.random_normal([O],stddev=0.01))#全連接層閾值b5=tf.Variable(tf.random_normal([10],stddev=0.01))#輸出層閾值'''卷積層一'''conv1a=tf.nn.conv2d(Xin,W1,strides=[1,1,1,1],padding='SAME')conv1b=tf.nn.bias_add(conv1a,b1)conv1c=tf.nn.relu(conv1b)'''池化層一'''conv1=tf.nn.max_pool(conv1c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')'''卷積層二'''conv2a=tf.nn.conv2d(conv1,W2,strides=[1,1,1,1],padding='SAME')conv2b=tf.nn.bias_add(conv2a,b2)conv2c=tf.nn.relu(conv2b) '''池化層二'''conv2=tf.nn.max_pool(conv2c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')'''卷積層三'''conv3a=tf.nn.conv2d(conv2,W3,strides=[1,1,1,1],padding='SAME')conv3b=tf.nn.bias_add(conv3a,b3)conv3c=tf.nn.relu(conv3b) '''池化層三'''conv3d=tf.nn.max_pool(conv3c,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')conv3=tf.reshape(conv3d,[-1,W4.get_shape().as_list()[0]])#扁平化'''全連接層'''FCa=tf.matmul(conv3,W4)+b4FC=tf.nn.relu(FCa)'''輸出層'''Y_=tf.matmul(FC,W5)+b5 Y=tf.nn.softmax(Y_,name="output")#經歷softmax分類激活函數后的數值'''損失'''cross_entropy=tf.nn.softmax_cross_entropy_with_logits(logits=Y_, labels=Yout)loss=tf.reduce_mean(cross_entropy)*100#交叉損失correct_prediction=tf.equal(tf.argmax(Y,1),tf.argmax(Yout,1))accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32),name='accuracy')#正確率'''優化器'''trainer=tf.train.RMSPropOptimizer(learning_rate=0.001,momentum=0.9).minimize(loss)init=tf.global_variables_initializer()#變量初始化賦值器with tf.Session() as sess: sess.run(init)#變量初始化out_init=sess.run(accuracy,feed_dict={Xin:x_tr[0:20000],Yout:y_tr[0:20000]})#計算初始誤差print("初始準確率為:{:.4f}%".format(out_init*100))#輸出初始誤差for epoch in range(training_epochs):#訓練步數print("當前訓練步為第{}步".format(epoch+1))batch_size=int(len(y_tr)/batch_count)#當前子集大小for i in range(batch_count):#對每個子集遍歷訓練batch_x,batch_y=nextBatch([x_tr[0:20000],y_tr[0:20000]],batch_size,i)#當前子集的訓練集特征和標簽數據sess.run(trainer,feed_dict={Xin:batch_x,Yout:batch_y})out=sess.run(accuracy,feed_dict={Xin:x_tr[0:20000],Yout:y_tr[0:20000]})#計算當前誤差print("當前準確率為:{:.4f}%".format(out*100))#當前初始誤差'''當前會話存儲'''if out>out_init:out_init=outsaver=tf.train.Saver()saver.save(sess,r".\savefile\CNN\FigureCNN.ckpt")returndef main_test():(x_tr0,y_tr0),(x_te0,y_te0)=tf2.keras.datasets.mnist.load_data()#手寫數據庫y_tr=np.zeros((len(y_tr0),10))y_te=np.zeros((len(y_te0),10))for i in range(len(y_tr0)):y_tr[i][y_tr0[i]]=1for i in range(len(y_te0)):y_te[i][y_te0[i]]=1x_tr=x_tr0.reshape(-1,28,28,1)x_te=x_te0.reshape(-1,28,28,1)road=[r".\savefile\CNN\FigureCNN.ckpt.meta",r".\savefile\CNN\FigureCNN.ckpt"]sess=tf.InteractiveSession()new_saver=tf.train.import_meta_graph(road[0])new_saver.restore(sess,road[1])tf.get_default_graph().as_graph_def()Xin=sess.graph.get_tensor_by_name('Xin:0')Yout=sess.graph.get_tensor_by_name("Yout:0") accuracy=sess.graph.get_tensor_by_name('accuracy:0')Y=sess.graph.get_tensor_by_name('output:0')Ote=sess.run(accuracy,feed_dict={Xin:x_te,Yout:y_te})print("測試集準確率為:{:.4f}%".format(Ote*100))Ote=sess.run(accuracy,feed_dict={Xin:x_tr[30000:40000],Yout:y_tr[30000:40000]})print("訓練集集準確率為:{:.4f}%".format(Ote*100))u=eval(input("輸入0-9999之間的一個整數:"))if (u<0) or (u>9999):print('錯誤！')sess.close()returnOtem=sess.run(Y,feed_dict={Xin:[x_te[u]]})print('手寫的數字為:{}'.format(Otem.argmax()))plt.imshow(x_te[u].reshape(28,28))plt.show()#手寫數字展示for i in [0,2,4,5,9]:roadpic=r'.\picturefile\handwriting'+str(i)+'.jpg'pic=cv2.imread(roadpic,flags=0)pic1=255-picpic=pic1.reshape(-1,28,28,1)Otem=sess.run(Y,feed_dict={Xin:pic})print('高攀手寫的數字為:{}'.format(Otem.argmax()))plt.imshow(pic1)plt.show()#手寫數字展示sess.close()returnif __name__=="__main__":tf.disable_v2_behavior()os.environ['TF_CPP_MIN_LOG_LEVEL']='2'main_train()main_test()

運行結果：

總結

以上是生活随笔為你收集整理的python+tensorflow CNN卷积神经网络手写字体识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。