基于DNN的手写体图片识别实验（V2.0）

Python是一种计算机程序设计语言。是一种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发，尤其适用于当前机器学习领域。 DNN，即深度神经网络。深度神经网络算法是近几年在工业界和学术界新型的一个机器学习领域的流行话题，DNN算法成功的将以往的识别率提高了一个显著的档次。本实验利用DNN进行MNIST（MNIST即编程界的hello world，手写体文字识别），实验数据集使用的是开源数据集，即“手写字识别实验数据集”。

1 创建脚本文件

打开PyCharm工具

进入后创建项目，点击【+Create New Project】或点击【File------>New Project...】创建项目。

设置项目名称为“tf_dnn_mnist”，选择工作区间（可以保持默认），展开“Project interpreter”，点击下方的“Existing Interpreter”，点击【Create】完成创建。

项目创建成功后，初始界面如下所示，右键点击tf_dnn_mnist项目名称，选择New—>Python File，创建一个新的python文件。

新建的python文件为tf_dnn_mnist.py文件，用于算法的测试实验实现。如下图所示：

2 编写dnn算法程序

双击python文件名，在编辑器里面编写tf_dnn_mnist.py文件，写入相关代码，具体程序如下。

2.1 数据集读取

直接从tensorflow直接读取数据集，输入如下代码：

拷贝代码import os
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, datasets

(x_train_raw, y_train_raw), (x_test_raw, y_test_raw) = datasets.mnist.load_data() 

print(y_train_raw[0])
print(x_train_raw.shape, y_train_raw.shape)
print(x_test_raw.shape, y_test_raw.shape)

#将分类标签变为onehot编码
num_classes = 10
y_train = keras.utils.to_categorical(y_train_raw, num_classes)
y_test = keras.utils.to_categorical(y_test_raw, num_classes)
print(y_train[0])

2.2 数据集预处理

当采用DNN网络进行识别时，构建的是全连接网络所以输出应该是向量的形式，而非现在图像的矩阵形式。因此我们需要把图像整理成向量。

拷贝代码#将28*28的图像展开成784*1的向量
x_train = x_train_raw.reshape(60000, 784)
x_test = x_test_raw.reshape(10000, 784)
#将图像像素值归一化
x_train = x_train.astype('float32')/255
x_test = x_test.astype('float32')/255

2.3 构建DNN网络模型

拷贝代码# 创建模型。模型包括3个全连接层和两个RELU激活函数
model = keras.Sequential([ 
    layers.Dense(512, activation='relu', input_dim = 784),
    layers.Dense(256, activation='relu'),
    layers.Dense(124, activation='relu'),
layers.Dense(num_classes, activation='softmax')])

print(model.summary())

2.4 编译DNN模型

定义优化器、损失函数、评价指标：

拷贝代码Optimizer = optimizers.Adam(0.001)
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=Optimizer,
              metrics=['accuracy'])

2.5 DNN模型训练

拷贝代码# 使用 fit 方法使模型对训练数据拟合
model.fit(x_train, y_train,
          batch_size=128,
          epochs=10,
          verbose=1)

2.6 模型评估与保存

拷贝代码score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

model.save('final_dnn.h5')

3 运行程序并观察结果

在tf_dnn_mnist.py文件空白处，右键点击，点击Run‘tf_dnn_mnist’，运行文件。

得到输出结果：

结果分析： 对MNIST数据集进行模型训练并进行验证，可以通过修改模型训练次数进行训练，一般情况下，模型训练次数越多，准确度越高。本次实验设置试验次数为10次进行简单测试，建议进行100次以上会得到模型的最终准确度。