使用已經得到的keras模型識別自己手寫的數字方式

環境：Python+keras，後端為Tensorflow

訓練集：MNIST

對於如何訓練一個識別手寫數字的神經網絡，網上資源十分豐富，並且能達到相當高的精度。但是很少有人涉及到如何將圖片輸入到網絡中並讓已經訓練好的模型驚醒識別，下面來說說實現方法及注意事項。

首先import相關庫，這裡就不說了。

然後需要將訓練好的模型導入，可通過該語句實現：

model = load_model('cnn_model_2.h5') （cnn_model_2.h5替換為你的模型名）

之後是導入圖片，需要的格式為28*28。可用opencv導入：

img = cv2.imread('temp3.png', 0) （temp3.png替換為你手寫的圖片）

然後reshape一下以符合模型的輸入要求：

img = (img.reshape(1,1,28,28)).astype("float32")/255

之後就可以用模型識別了：

predict = model.predict_classes(img)

最後print一下predict即可。

下面劃重點：因為MNIST使用的是黑底白字的圖片，所以你自己手寫數字的時候一定要注意把得到的圖片也改成黑底白字的，否則會識別錯（至少我得到的結論是這樣的 ，之前用白底黑字的圖總是識別出錯）

源碼一覽：

  import cv2  import numpy as np  from keras.models import load_model  model = load_model('cnn_model_2.h5')    image = cv2.imread('temp3.png', 0)  img = cv2.imread('temp3.png', 0)    img = (img.reshape(1,1,28,28)).astype("float32")/255  predict = model.predict_classes(img)  print ('識別為：')  print (predict)    cv2.imshow("Image1", image)  cv2.waitKey(0)

效果圖：

補充知識：keras編寫自定義的層

寫在前面的話

keras已經有很多封裝好的庫供我們調用，但是有些時候我們需要的操作keras並沒有，這時就需要學會自定義keras層了

1.Lambda

這個東西很方便，但是隻能完成簡單、無狀態的自定義操作，而不能建立含有可訓練權重的自定義層。

  from keras.layers import Input,Lambda  from keras import Model  import tensorflow as tf    input=Input(shape=(224,224,3))  input.shape #Input第一個維度為batchsize維度  output=Lambda(lambda x: x[...,1])(input) #取最後一個維度的數據,...表示前面所有的維度  Model=Model(inputs=input,outputs=output)  Model.output

2.keras_custom

學習自keras中文文檔

  2.自定義keras層（帶有可訓練權重）  ① build：定義權重，且self.build=True，可以通過迪奧喲經super([layer],self).build()完成  ② call:功能邏輯實現  ③ compute_output_shape:計算輸出張量的shape    import keras.backend as K  from keras.engine.topology import Layer #這裡的Layer是一個父類，下面的MyLayer將會繼承Layer     class MyLayer(Layer): #自定義一個keras層類   def __init__(self,output_dim,**kwargs): #初始化方法    self.output_dim=output_dim    super(MyLayer,self).__init__(**kwargs) #必須要的初始化自定義層   def build(self,input_shape): #為Mylayer建立一個可訓練的權重    #通過add_weight的形式來為Mylayer創建權重矩陣    self.kernel=self.add_weight(name='kernel',           shape=(input_shape[1],self.output_dim), #這裡就是建立一個shape大小的權重矩陣           initializer='uniform',           trainable=True)    super(MyLayer,self).build(input_shape) #一定要用，也可以用下面一行    #self.build=True   def call(self,x): #call函數裡就是定義了對x張量的計算圖，且x只是一個形式，所以不能被事先定義    return K.dot(x,self.kernel) #矩陣乘法   def compute_output_shape(self,input_shape):    return (input_shape[0],self.output_dim) #這裡是自己手動計算出來的output_shape  --------------------------------------------------------------------------------  class Mylayer(Layer):   def __init__(self,output_dim,**kwargs):    self.output_dim=output_dim    super(MyLayer,self).__init__(**kwargs)   def build(self,input_shape):    assert isinstance(input_shape,list) #判斷input_shape是否是list類型的    self.kernel=self.add_weight(name='kernel',           shape=(input_shape[0][1],self.output_dim), #input_shape應該長得像[(2,2),(3,3)]           initializer='uniform',           trainable=True)    super(MyLayer,self).build(input_shape)   def call(self,x):    assert isinstance(x,list)    a,b=x #從這裡可以看出x應該是一個類似[(2,2),(3,3)]的list,a=(2,2),b=(3,3)    return [K.dot(a,self.kernel)+b,K.mean(b,axis=-1)]