- 当前位置：首页 >数据库 >一个单层的基础神经网络实现手写字识别
一个单层的基础神经网络实现手写字识别
发布时间：2025-11-04 12:40:03 来源：技术快报 作者：应用开发
先上代码
import tensorflow from tensorflow.examples.tutorials.mnist import input_data import matplotlib.pyplot as plt # 普通的个单神经网络学习 # 学习训练类 class Normal: weight = [] biases = [] def __init__(self): self.times = 1000 self.mnist = [] self.session = tensorflow.Session() self.xs = tensorflow.placeholder(tensorflow.float32, [None, 784]) self.ys = tensorflow.placeholder(tensorflow.float32, [None, 10]) self.save_path = learn/result/normal.ckpt def run(self): self.import_data() self.train() self.save() def _setWeight(self,weight): self.weight = weight def _setBiases(self,biases): self.biases = biases def _getWeight(self): return self.weight def _getBiases(self): return self.biases # 训练 def train(self): prediction = self.add_layer(self.xs, 784, 10, activation_function=tensorflow.nn.softmax) cross_entropy = tensorflow.reduce_mean( -tensorflow.reduce_sum( self.ys * tensorflow.log(prediction) , reduction_indices=[1]) ) train_step = tensorflow.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) self.session.run(tensorflow.global_variables_initializer()) for i in range(self.times): batch_xs, batch_ys = self.mnist.train.next_batch(100) self.session.run(train_step, feed_dict={self.xs: batch_xs, self.ys: batch_ys}) if i % 50 == 0: # images 变换为 labels，images相当于x，基础labels相当于y accurary = self.computer_accurary( self.mnist.test.images,神经实现手写 self.mnist.test.labels, prediction ) # 数据导入 def import_data(self): self.mnist = input_data.read_data_sets(MNIST_data, one_hot=True) # 数据保存 def save(self): saver = tensorflow.train.Saver() path = saver.save(self.session,self.save_path) # 添加隐藏层 def add_layer(self,inputs,input_size,output_size,activation_function=None): weight = tensorflow.Variable(tensorflow.random_normal([input_size,output_size]),dtype=tensorflow.float32,name=weight) biases = tensorflow.Variable(tensorflow.zeros([1,output_size]) + 0.1,dtype=tensorflow.float32,name=biases) Wx_plus_b = tensorflow.matmul(inputs,weight) + biases self._setBiases(biases) self._setWeight(weight) if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b,) return outputs # 计算结果数据与实际数据的正确率 def computer_accurary(self,x_data,y_data,tf_prediction): prediction = self.session.run(tf_prediction,feed_dict={self.xs:x_data,self.ys:y_data}) # 返回两个矩阵中***值的索引号位置，然后进行相应位置的网络值大小比较并在此位置设置为True/False correct_predition = tensorflow.equal(tensorflow.argmax(prediction,1),tensorflow.argmax(y_data,1)) # 进行数据格式转换，然后进行降维求平均值 accurary = tensorflow.reduce_mean(tensorflow.cast(correct_predition,字识tensorflow.float32)) result = self.session.run(accurary,feed_dict={self.xs:x_data,self.ys:y_data}) return result # 识别类 class NormalRead(Normal): input_size = 784 output_size = 10 def run(self): self.import_data() self.getSaver() origin_input = self._getInput() output = self.recognize(origin_input) self._showImage(origin_input) self._showOutput(output) pass # 显示识别结果 def _showOutput(self,output): number = output.index(1) print(识别到的数字:,number) # 显示被识别图片 def _showImage(self,origin_input): data = [] tmp = [] i = 1 # 原数据转换为可显示的矩阵 for v in origin_input[0]: if i %28 == 0: tmp.append(v) data.append(tmp) tmp = [] else: tmp.append(v) i += 1 plt.figure() plt.imshow(data, cmap=binary) # 黑白显示 plt.show() def _setBiases(self,biases): self.biases = biases pass def _setWeight(self,weight): self.weight = weight pass def _getBiases(self): return self.biases def _getWeight(self): return self.weight # 获取训练模型 def getSaver(self): weight = tensorflow.Variable(tensorflow.random_normal([self.input_size, self.output_size]), dtype=tensorflow.float32,name=weight) biases = tensorflow.Variable(tensorflow.zeros([1, self.output_size]) + 0.1, dtype=tensorflow.float32, name=biases) saver = tensorflow.train.Saver() saver.restore(self.session,self.save_path) self._setWeight(weight) self._setBiases(biases) def recognize(self,origin_input): input = tensorflow.placeholder(tensorflow.float32,[None,784]) weight = self._getWeight() biases = self._getBiases() result = tensorflow.matmul(input,weight) + biases resultSof = tensorflow.nn.softmax(result,) # 把结果集使用softmax进行激励 resultSig = tensorflow.nn.sigmoid(resultSof,) # 把结果集以sigmoid函数进行激励，用于后续分类 output = self.session.run(resultSig,个单{input:origin_input}) output = output[0] # 对识别结果进行分类处理 output_tmp = [] for item in output: if item < 0.6: output_tmp.append(0) else : output_tmp.append(1) return output_tmp def _getInput(self): inputs, y = self.mnist.train.next_batch(100); return [inputs[50]]以上是程序，整个程序基于TensorFlow来实现的基础，具体的神经实现手写TensorFlow安装我就不说了。
整个训练过程不做多说，网络我发现网上关于训练的字识教程很多，但是个单训练结果的教程很少。
整个程序里，基础通过tensorflow.train.Saver()的神经实现手写save进行训练结果模型进行存储，然后再用tensorflow.train.Saver()的网络restore进行模型恢复然后取到训练好的weight和baises。
这里要注意的字识一个地方是因为一次性随机取出100张手写图片进行批量训练的，我在取的免费信息发布网时候其实也是批量随机取100张，但是我传入识别的是一张，通过以下这段程序：
def _getInput(self): inputs, y = self.mnist.train.next_batch(100); return [inputs[50]]注意一下return这里的数据结构，其实是取这批量的第50张，实际上这段程序写成：
def _getInput(self): inputs, y = self.mnist.train.next_batch(1); return [inputs[0]]会更好。
因为识别的时候是需要用到训练的隐藏层来进行的，所以在此我虽然识别的是一张图片，但是我必须要传入一个批量数据的这样一个结构。
然后再识别的地方，我使用了两个激励函数：
resultSof = tensorflow.nn.softmax(result,) # 把结果集使用softmax进行激励 resultSig = tensorflow.nn.sigmoid(resultSof,) # 把结果集以sigmoid函数进行激励，用于后续分类这里的话，***个softmax激励后的数据我发现得到的是以e为底的指数形式，服务器托管转换成普通的浮点数来看，不是很清楚到底是什么，那么我在做识别数字判断的时候就不方便，所以再通过了一次sigmoid的激励。
后续我通过一个循环判断进行一次实际上的分类，这个原因首先要说到识别结果形式：
[0,0,0,0,0,0,0,0,1,0]像以上这个数据，表示的是8，也就是说，数组下表第几位为1就表示是几，如0的表示:
[1,0,0,0,0,0,0,0,0,0]而sigmoid函数在这个地方其实就是对每个位置的数据进行了分类，我发现如果分类值小于0.52这样的数据其实代表的是否，也就是说此位置的值对应的是0，大于0.52应该对应的WordPress模板是真，也就是1；而我在程序里取的是0.6为界限做判断。
实际上，这个界限值应该是在神经网络训练的时候取的，而不是看识别结果来进行凭感觉取的（虽然训练的时候的参数也是凭感觉取的）
这篇文章是我根据个人的一些理解来写的，后续如果发现有错误，我会在新文章说出来，但这篇文章不做保留，方便后续检查思考记录的时候知道到底怎么踩坑的。
以下是我上次写的sigmoid函数的文章：
https://segmentfault.com/a/11...
关于其他激励函数，可以网上找资料进行了解，很多基础性的数学知识，放到一些比较具体的应用，会显得非常的有意思。
- 微星450主板装机教程（全面解析微星450主板的安装和配置）
- 物联网服装：新的可穿戴设备
- 面试官：水平分表如何选择 sharding key？分表和分区有什么区别？从 Innodb 底层存储说明为什么需要做垂直分表？
- 和面试官聊聊如何零重启修复 K8s 环境中的 Log4j 漏洞？
- 海信65EC780UC电视的功能和性能综合评测（畅享震撼影音体验，高清画质与智能操控一体化）
- 你的Docker容器可能充满了安全漏洞
- 深入剖析SQL死锁-两条SQL之间的死锁原因
- 将非接触式控制带入工业物联网领域
- 联想老办公电脑改造教程（打造高性能工作站的关键步骤和技巧）
- 记录一次MySQL+Redis实现优化百万数据统计的方式
随便看看
源码下载IT技术网益华科技亿华云源码库IT资讯网香港云服务器企商汇服务器租用码上建站益华科技亿华科技亿华智慧云益强前沿资讯创站工坊全栈开发亿华云计算益强智未来IT资讯网亿华智造云站无忧益强编程堂码力社极客编程益强科技益强IT技术网益强数据堂科技前瞻益强编程舍运维纵横益强资讯优选编程之道亿华灵动亿华云益华科技益强智囊团益华IT技术论坛多维IT资讯益强科技极客码头技术快报
- Copyright © 2025 Powered by 一个单层的基础神经网络实现手写字识别,技术快报 滇ICP备2023006006号-46sitemap