python用TensorFlow做图像识别的实现


Posted in Python onApril 21, 2020

一、TensorFlow简介

TensorFlow是由谷歌开发的一套机器学习的工具,使用方法很简单,只需要输入训练数据位置,设定参数和优化方法等,TensorFlow就可以将优化结果显示出来,节省了很大量的编程时间,TensorFlow的功能很多很强大,这边挑选了一个比较简单实现的方法,就是利用TensorFlow的逻辑回归算法对数据库中的手写数字做识别,让机器找出规律,然后再导入新的数字让机器识别。

二、流程介绍

python用TensorFlow做图像识别的实现

上图是TensorFlow的流程,可以看到一开始要先将参数初始化,然后导入训练数据,计算偏差,然后修正参数,再导入新的训练数据,不断重复,当数据量越大,理论上参数就会越准确,不过也要注意不可训练过度。

三、导入数据

数据可进入MNIST数据库 (Mixed National Institute of Standards and Technology database),这是一个开放的数据库,里面有许多免费的训练数据可以提供下载,这次我们要下载的是手写的阿拉伯数字,为什么要阿拉伯数字呢?1、因为结果少,只有十个,比较好训练 2、图片的容量小,不占空间,下面是部分的训练数据案例

python用TensorFlow做图像识别的实现

TensorFlow可以直接下载MNIST上的训练数据,并将它导入使用,下面为导入数据的代码

from tensorflow.examples.tutorials.mnist import input_data
MNIST = input_data.read_data_sets("/data/mnist", one_hot=True)

四、设定参数

接下来就是在TensorFlow里设定逻辑回归的参数,我们知道回归的公式为Y=w*X+b,X为输入,Y为计算结果,w为权重参数,b为修正参数,其中w和b就是我们要训练修正的参数,但训练里要怎么判断计算结果好坏呢?就是要判断计算出来的Y和实际的Y损失值(loss)是多少,并尽量减少loss,这边我们使用softmax函数来计算,softmax函数在计算多类别分类上的表现比较好,有兴趣可以百度一下,这边就不展开说明了,下面为参数设定

X = tf.placeholder(tf.float32, [batch_size, 784], name="image")
Y = tf.placeholder(tf.float32, [batch_size, 10], name="label")

X为输入的图片,图片大小为784K,Y为实际结果,总共有十个结果(数字0-9)

w = tf.Variable(tf.random_normal(shape=[784, 10], stddev=0.01), name="weights")
b = tf.Variable(tf.zeros([1, 10]), name="bias")

w初始值为一个随机的变数,标准差为0.01,b初始值为0。

logits = tf.matmul(X, w) + b
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y)
loss = tf.reduce_sum(entropy)

TensorFlow里面已经有softmax的函数,只要把他叫出来就可以使用。

optimizer =
tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimize(loss)
init = tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  n_batches = int(MNIST.train.num_examples/batch_size)
  for i in range(n_epochs): # train the model n_epochs times
    for _ in range(n_batches):
      X_batch, Y_batch = MNIST.train.next_batch(batch_size)
      sess.run([optimizer, loss], feed_dict={X: X_batch, Y:Y_batch})

接着就是设定优化方式,这边是使用梯度降下发,然后将参数初始化,接着就运行了,这边要提一下,我们的训练方式是每次从训练数据里面抓取一个batch的数据,然后进行计算,这样可以预防过度训练,也比较可以进行事后的验证,运行完后再用下面的代码进行验证

n_batches = int(MNIST.test.num_examples/batch_size)
  total_correct_preds = 0
  for i in range(n_batches):
    X_batch, Y_batch = MNIST.test.next_batch(batch_size)
    _, loss_batch, logits_batch = sess.run([optimizer, loss, logits],
    feed_dict={X: X_batch, Y:Y_batch})
    preds = tf.nn.softmax(logits_batch)
    correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(Y_batch, 1))
    accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32))
    total_correct_preds += sess.run(accuracy)
  print ("Accuracy {0}".format(total_correct_preds/MNIST.test.num_examples))

最后shell跑出来的结果是0.916,虽然看上去还算是不错的结果,但其实准确率是很低的,因为他验证的方式是判断一个图片是否为某个数字(单输出),所以假如机器随便猜也会有0.82左右的命中几率(0.9*0.9+0.1*0.1),想要更准确的话目前想到有两个方向,一个是提高训练量和增加神经网络的层数。

到此这篇关于python用TensorFlow做图像识别的实现的文章就介绍到这了,更多相关TensorFlow 图像识别内容请搜索三水点靠木以前的文章或继续浏览下面的相关文章希望大家以后多多支持三水点靠木!

Python 相关文章推荐
Python+Django在windows下的开发环境配置图解
Nov 11 Python
用Python创建声明性迷你语言的教程
Apr 13 Python
Windows安装Python、pip、easy_install的方法
Mar 05 Python
Python编程实现双击更新所有已安装python模块的方法
Jun 05 Python
Python实现简单生成验证码功能【基于random模块】
Feb 10 Python
对python 数据处理中的LabelEncoder 和 OneHotEncoder详解
Jul 11 Python
Python3.5多进程原理与用法实例分析
Apr 05 Python
详解Python odoo中嵌入html简单的分页功能
May 29 Python
关于Python 常用获取元素 Driver 总结
Nov 24 Python
Pygame的程序开始示例代码
May 07 Python
python性能测试工具locust的使用
Dec 28 Python
Django url 路由匹配过程详解
Jan 22 Python
jupyter notebook 添加kernel permission denied的操作
Apr 21 #Python
Jupyter Notebook的连接密码 token查询方式
Apr 21 #Python
Python 操作 PostgreSQL 数据库示例【连接、增删改查等】
Apr 21 #Python
Django实现celery定时任务过程解析
Apr 21 #Python
使用PyQt5实现图片查看器的示例代码
Apr 21 #Python
快速解决jupyter notebook启动需要密码的问题
Apr 21 #Python
Python3.7将普通图片(png)转换为SVG图片格式(网站logo图标)动起来
Apr 21 #Python
You might like
php include的妙用,实现路径加密
2008/07/29 PHP
将二维数组转为一维数组的2种方法
2014/05/26 PHP
php绘图之生成饼状图的方法
2015/01/24 PHP
ExtJS 2.2.1的grid控件在ie6中的显示问题
2009/05/04 Javascript
ScrollDown的基本操作示例
2013/06/09 Javascript
判断某个字符在一个字符串中是否存在的js代码
2014/02/28 Javascript
BootStrap按钮标签及基本样式
2016/11/23 Javascript
WEB开发之注册页面验证码倒计时代码的实现
2016/12/15 Javascript
AngularJS中$http使用的简单介绍
2017/03/17 Javascript
浅谈Angular路由复用策略
2017/10/04 Javascript
jQuery读取本地的json文件(实例讲解)
2017/10/31 jQuery
微信小程序使用modal组件弹出对话框功能示例
2017/11/29 Javascript
最实用的JS数组函数整理
2017/12/05 Javascript
js+canvas实现滑动拼图验证码功能
2018/03/26 Javascript
vue.js2.0 实现better-scroll的滚动效果实例详解
2018/08/13 Javascript
详解Node.js中path模块的resolve()和join()方法的区别
2018/10/29 Javascript
Vue 自定义标签的src属性不能使用相对路径的解决
2019/09/17 Javascript
基于Vue 撸一个指令实现拖拽功能
2019/10/09 Javascript
JavaScript修改注册表实例代码
2020/01/05 Javascript
JavaScript进阶(三)闭包原理与用法详解
2020/05/09 Javascript
记录Django开发心得
2014/07/16 Python
详解Python list 与 NumPy.ndarry 切片之间的对比
2017/07/24 Python
Python基础之getpass模块详细介绍
2017/08/10 Python
如何基于python生成list的所有的子集
2019/11/11 Python
python pygame实现滚动横版射击游戏城市之战
2019/11/25 Python
Python生成器实现简单"生产者消费者"模型代码实例
2020/03/27 Python
Python如何实现后端自定义认证并实现多条件登陆
2020/06/22 Python
PyCharm2019 安装和配置教程详解附激活码
2020/07/31 Python
Python爬虫进阶之爬取某视频并下载的实现
2020/12/08 Python
中学生团员自我评价分享
2013/12/07 职场文书
快递业务员岗位职责
2014/01/06 职场文书
党员承诺书内容
2014/03/26 职场文书
小学运动会开幕词
2015/01/28 职场文书
公司车辆维修管理制度
2015/08/05 职场文书
最新的离婚协议书范本!
2019/07/02 职场文书
python和C/C++混合编程之使用ctypes调用 C/C++的dll
2022/04/29 Python