机器学习Tensorflow基于MNIST数据集识别自己的手写数字（读取和测试自己的模型）

更新：

2018.11.9：
我把代码，模型，测试图片放上来了，可以下载了，记得自行配置相关库
下载地址：
https://download.csdn.net/download/qq_38269418/10774623

另外，有个网址很有意思，以前忘记放上来了，可以帮你很好理解神经网络的模型！
http://scs.ryerson.ca/~aharley/vis/conv/

在这里插入图片描述
2018.12.5:
上面那个网址好像现在需要挂VPN了，不然打不开

以下为原博：

废话不多说，先上效果图

这里写图片描述

整体来看，效果是非常不错的，模型的训练，参照官方代码mnist_deep.py，准确率是高达99.2%

那么，我是怎么实现的呢？

一.读懂卷积神经网络代码（至少得把程序跑通）

首先参照Tensorflow中文社区教程传送门：
http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html
能在自己的环境中成功运行代码，具体代码的实现我就不在这里具体赘述了，因为关于代码的文章太多了，百度都能一大堆。博主是参照了Tensorflow中社区教程如图：
这里写图片描述
（注意一点：关于教程的print函数）

在博主用的Python3.6版本中，print已经成为了一个函数，而在Python2.7当中print不是一个函数，这里博主是需要加上括号。
所以根据自己所用的版本，更改这里，例如

print（"Hello")  python3.6
print "Hello"   python2.7

如果你按照教程，将代码跑通之后，可以进行下一步了。那就是将模型保存，只需调用一个简单的函数，以下就是博主根据教程敲得完整代码：

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

mnist = input_data.read_data_sets('F:/DEEPLEARN/Anaconda/Lib/site-packages/tensorflow/examples/tutorials/mnist/MNIST_data', one_hot=True) #MNIST数据集所在路径

x = tf.placeholder(tf.float32, [None, 784])

y_ = tf.placeholder(tf.float32, [None, 10])


def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev = 0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1,shape = shape)
    return tf.Variable(initial)

def conv2d(x,W):
    return tf.nn.conv2d(x, W, strides = [1,1,1,1], padding = 'SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x,[-1,28,28,1])

h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

saver = tf.train.Saver() #定义saver

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(20000):
        batch = mnist.train.next_batch(50)
        if i % 100 == 0:
            train_accuracy = accuracy.eval(feed_dict={
                x: batch[0], y_: batch[1], keep_prob: 1.0})
            print('step %d, training accuracy %g' % (i, train_accuracy))
        train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
    saver.save(sess, 'C:/Users/考拉拉/Desktop/SAVE/model.ckpt') #模型储存位置

    print('test accuracy %g' % accuracy.eval(feed_dict={
        x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

以上，是我的mnistdeep.py代码，用于导入MNIST数据集-创建模型-保存模型到指定路径。
保存的路径会出现四个文件，具体每个文件是干嘛的，自己百度吧，我不在这里赘述了：
这里写图片描述

二.测试自己的刚才保存的模型

整体来看，和刚才的代码相似度很高，也是将需要测试的图片进行卷积，池化，softmax回归等等。
这里关于图片数字化，并将每个像素值限定在0~1种的代码参照了大佬博客：
http://blog.csdn.net/sparta_117/article/details/66965760

from PIL import Image, ImageFilter
import tensorflow as tf
import matplotlib.pyplot as plt

def imageprepare(): 
    im = Image.open('C:/Users/考拉拉/Desktop/4.png') #读取的图片所在路径，注意是28*28像素
    plt.imshow(im)  #显示需要识别的图片
    plt.show()
    im = im.convert('L')
    tv = list(im.getdata()) 
    tva = [(255-x)*1.0/255.0 for x in tv] 
    return tva

result=imageprepare()
x = tf.placeholder(tf.float32, [None, 784])

y_ = tf.placeholder(tf.float32, [None, 10])

def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev = 0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1,shape = shape)
    return tf.Variable(initial)

def conv2d(x,W):
    return tf.nn.conv2d(x, W, strides = [1,1,1,1], padding = 'SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x,[-1,28,28,1])

h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver.restore(sess, "C:/Users/考拉拉/Desktop/SAVE/model.ckpt") #使用模型，参数和之前的代码保持一致

    prediction=tf.argmax(y_conv,1)
    predint=prediction.eval(feed_dict={x: [result],keep_prob: 1.0}, session=sess)

    print('识别结果:')
    print(predint[0])

这是我的test.py代码，用于读取刚才保存的模型-导入测试图片-测试输出结果

三.制作测试图片

我们的模型需要输入的是28 X 28像素的手写体数字图片，如果图片尺寸不等于28 X 28，可以参照上一篇博客用opencv进行处理。
这里，为了方便，我使用PS制作。

这里，需要大家按照我的步骤进行绘制，不然会出现一些问题，在文章末尾我会为大家总结避坑。

第一步：打开ps创建像素为28 X 28的画布，填充白色如图
这里写图片描述
第二步：找到画笔工具，使用柔边画笔，三像素，进行图片绘制（前景色黑/背景色白）

第三步：绘制的图片另存为格式png（不是 psd）

第四步：更改test.py读取为要测试图片的路径，然后运行