1.代碼運行

1. 輸入 1 測試一張圖片并預測結果

2. 輸入 2 對測試集整體進行測試，得出準確率（10秒左右）
   

3. 輸入其他數(shù)字自動退出程序

2.注意事項

1. 本程序包含python庫較多，請自行配置（pip），如有需求，請評論或私信！
   

2. 回復其他數(shù)字會自動退出程序

3. 輸入圖片要求是28*28像素

4. 模型訓練大概需要2分鐘，請耐心等候！

5. 本代碼使用在線MNIST數(shù)據(jù)庫，無需本地MNIST數(shù)據(jù)庫！

6. 文件會自動在同目錄下面生成Model文件夾，里面包含兩個文件model.pdopt、model.pdparams

7. 如果需要可視化，可以將callbacks行注釋去除

8. 如果需要下圖格式，請將上面代碼中 verbose=0修改為verbose=1

3.代碼分析

1. 數(shù)據(jù)預處理,從paddle庫得到mnist數(shù)據(jù)

def data_process():
    transform = T.Normalize(mean=[127.5], std=[127.5])
    train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
    test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)
    print('訓練樣本量：{}，測試樣本量：{}'.format(len(train_dataset), len(test_dataset)))
    return train_dataset, test_dataset

2.訓練模型

def create_model(train_dataset, test_dataset):
    print('查找是否存在模型.')
    # 網(wǎng)絡結構代碼實現(xiàn)，調(diào)用paddle的網(wǎng)絡
    network = paddle.vision.models.LeNet(num_classes=10)
    model = paddle.Model(network)
    model.prepare(paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),  # 優(yōu)化器
                  paddle.nn.CrossEntropyLoss(),  # 損失函數(shù)
                  paddle.metric.Accuracy())  # 評估指標
    if not os.path.exists('Model/model.pdopt') or not os.path.exists('Model/model.pdparams'):
        print('不存在模型，開始訓練模型.')
        # callback = paddle.callbacks.VisualDL(log_dir='visualdl_log_dir_LeNet學習率0.001')
        # 啟動全流程訓練
        model.fit(train_dataset,  # 訓練數(shù)據(jù)集
                  test_dataset,  # 評估數(shù)據(jù)集
                  epochs=5,  # 訓練輪次
                  batch_size=64,  # 單次計算數(shù)據(jù)樣本量
                  verbose=0,
                  # callbacks=callback
                  )  # 日志展示形式
        print("模型訓練結束")
        # 進行預測操作
        # result = model_1.predict(test_dataset)
        model.save('Model/model')
    else:
        model.load('Model/model')
        print("已經(jīng)存在訓練好的模型?。?！")
    return model

3.測試單張和多張

def Test_one(imgPath, modelPath):
    model = modelPath
    # image = preprocessing.StandardScaler().fit_transform(np.array(Image.open(imgPath).convert('L'), dtype='float32'))
    im = Image.open(imgPath).convert('L')
    # 為灰度圖像，每個像素用8個bit表示，0表示黑，255表示白，其他數(shù)字表示不同的灰度。 轉(zhuǎn)換公式：L = R * 299/1000 + G * 587/1000+ B * 114/1000。
    # im = im.resize((28, 28), Image.ANTIALIAS)
    im = numpy.array(im).reshape(-1, 1, 28, 28).astype('float32')
    im = im / 255.0 - 1.0
    result = model.predict([im], verbose=True)
    print('預測結果是：', result[0][0].argmax(), '\n')  # argmax()得到最大值下標


# 測試準確率
def Test_all(modelPath):
    model = modelPath
    result = model.evaluate(test_dataset, verbose=1)
    print('準確率為:', result['acc'])

4.主程序文章來源地址http://www.zghlxwxcb.cn/news/detail-740087.html

if __name__ == '__main__':
    print('訓練數(shù)據(jù)自動使用paddle自帶的MINST數(shù)據(jù)庫')
    print('回復數(shù)字1為測試一張圖片，回復數(shù)字2為測試測試集準確率，回復其他數(shù)字自動退出程序?。?！\n')
    train_dataset, test_dataset = data_process()
    model = create_model(train_dataset, test_dataset)

    while 1:
        ans = input('測試一張(1)還是測試集準確率(2):')
        match (ans):
            case '1':
                modelPath = model  # 模型文件會生成在本文件同目錄下不需要選擇，這里Path默認直接加載模型
                root = tk.Tk()
                root.withdraw()
                print('請選擇測試圖片')
                imgPath = filedialog.askopenfilename()
                Test_one(imgPath, modelPath)
                continue
            case '2':
                modelPath = model
                Test_all(modelPath)
                continue
            case _:
                print('測試結束?。。?)
                exit()

4.源代碼

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# @FileName  :CNN3.py
# @Time      :2023/4/24 14:28
# @Author    :YKW
import os
import paddle
import numpy
import tkinter as tk
from PIL import Image
from tkinter import filedialog
import paddle.vision.transforms as T

'protobuf版本建議使用3.20.0，否則會不兼容'
'訓練數(shù)據(jù)自動使用paddle自帶的MINST數(shù)據(jù)庫'


# 數(shù)據(jù)預處理,從paddle庫得到mnist數(shù)據(jù)
def data_process():
    transform = T.Normalize(mean=[127.5], std=[127.5])
    train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
    test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)
    print('訓練樣本量：{}，測試樣本量：{}'.format(len(train_dataset), len(test_dataset)))
    return train_dataset, test_dataset


# 訓練模型
def create_model(train_dataset, test_dataset):
    print('查找是否存在模型.')
    # 網(wǎng)絡結構代碼實現(xiàn)，調(diào)用paddle的網(wǎng)絡
    network = paddle.vision.models.LeNet(num_classes=10)
    model = paddle.Model(network)
    model.prepare(paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),  # 優(yōu)化器
                  paddle.nn.CrossEntropyLoss(),  # 損失函數(shù)
                  paddle.metric.Accuracy())  # 評估指標
    if not os.path.exists('Model/model.pdopt') or not os.path.exists('Model/model.pdparams'):
        print('不存在模型，開始訓練模型.')
        # callback = paddle.callbacks.VisualDL(log_dir='visualdl_log_dir_LeNet學習率0.001')
        # 啟動全流程訓練
        model.fit(train_dataset,  # 訓練數(shù)據(jù)集
                  test_dataset,  # 評估數(shù)據(jù)集
                  epochs=5,  # 訓練輪次
                  batch_size=64,  # 單次計算數(shù)據(jù)樣本量
                  verbose=0,
                  # callbacks=callback
                  )  # 日志展示形式
        print("模型訓練結束")
        # 進行預測操作
        # result = model_1.predict(test_dataset)
        '''
        indexs = [5, 20, 48, 210]
        for idx in indexs:
            show_img(test_dataset[idx][0], np.argmax(result[0][idx]))'''
        model.save('Model/model')
    else:
        model.load('Model/model')
        print("已經(jīng)存在訓練好的模型?。。?)
    return model


# 測試單張
def Test_one(imgPath, modelPath):
    model = modelPath
    # image = preprocessing.StandardScaler().fit_transform(np.array(Image.open(imgPath).convert('L'), dtype='float32'))
    im = Image.open(imgPath).convert('L')
    # 為灰度圖像，每個像素用8個bit表示，0表示黑，255表示白，其他數(shù)字表示不同的灰度。 轉(zhuǎn)換公式：L = R * 299/1000 + G * 587/1000+ B * 114/1000。
    # im = im.resize((28, 28), Image.ANTIALIAS)
    im = numpy.array(im).reshape(-1, 1, 28, 28).astype('float32')
    im = im / 255.0 - 1.0
    result = model.predict([im], verbose=True)
    print('預測結果是：', result[0][0].argmax(), '\n')  # argmax()得到最大值下標


# 測試準確率
def Test_all(modelPath):
    model = modelPath
    result = model.evaluate(test_dataset, verbose=1)
    print('準確率為:', result['acc'])


if __name__ == '__main__':
    print('訓練數(shù)據(jù)自動使用paddle自帶的MINST數(shù)據(jù)庫')
    print('回復數(shù)字1為測試一張圖片，回復數(shù)字2為測試測試集準確率，回復其他數(shù)字自動退出程序?。?！\n')
    train_dataset, test_dataset = data_process()
    model = create_model(train_dataset, test_dataset)

    while 1:
        ans = input('測試一張(1)還是測試集準確率(2):')
        match (ans):
            case '1':
                modelPath = model  # 模型文件會生成在本文件同目錄下不需要選擇，這里Path默認直接加載模型
                root = tk.Tk()
                root.withdraw()
                print('請選擇測試圖片')
                imgPath = filedialog.askopenfilename()
                Test_one(imgPath, modelPath)
                continue
            case '2':
                modelPath = model
                Test_all(modelPath)
                continue
            case _:
                print('測試結束?。。?)
                exit()

到了這里，關于卷積神經(jīng)網(wǎng)絡（CNN）實現(xiàn)圖像分類——Python的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！