基于深度学习的手写数字识别项目GUI（Deep Learning Project – Handwritten Digit Recognition using Python）

这篇具有很好参考价值的文章主要介绍了基于深度学习的手写数字识别项目GUI（Deep Learning Project – Handwritten Digit Recognition using Python）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一步一步教你建立手写数字识别项目，需要源文件的请可直接跳转下边的链接：All project

本文摘要

在本文中，我们将使用MNIST数据集实现一个手写数字识别应用程序。我们将使用一种特殊类型的深度神经网络，即卷积神经网络。最后，我们将构建一个GUI，您可以在其中绘制数字并立即识别它。
实现效果：
基于深度学习的手写数字识别项目GUI（Deep Learning Project – Handwritten Digit Recognition using Python）

运行项目的需求

这个有趣的Python项目要求你具备Python编程的基本知识，使用Keras库和Tkinter库进行深度学习，以构建GUI。

使用下面的命令为这个项目安装必要的库:

pip install numpy, tensorflow, keras, pillow,

MNIST 数据集

这可能是机器学习和深度学习爱好者中最受欢迎的数据集之一。MNIST数据集包含60,000张从0到9的手写数字的训练图像和10,000张用于测试的图像。MNIST数据集有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格包含灰度像素值。

建立基于深度学习的手写数字识别项目

以下是实现手写数字识别项目的步骤:

1、导入库并加载数据集

首先，我们将导入训练模型所需的所有模块。Keras库已经包含了一些数据集，MNIST就是其中之一。所以我们可以很容易地导入数据集并开始使用它。mnist.load_data()方法返回训练数据及其标签以及测试数据及其标签。

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

# the data, split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

print(x_train.shape, y_train.shape)

2、处理数据集

图像数据不能直接输入到模型中，所以我们需要对数据进行一些操作和处理，使其为神经网络做好准备。训练数据的维数为(60000,28,28)。CNN模型将需要多一个维度，因此我们将矩阵重塑为形状(60000,28,28,1)。

x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
input_shape = (28, 28, 1)

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

3、建立模型

现在我们将在Python数据科学项目中创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于表示为网格结构的数据效果更好，这就是为什么CNN在图像分类问题上效果很好的原因。dropout层用于使一些神经元失活，在训练时，它减少了模型的拟合。然后，我们将使用Adadelta优化器编译模型。

batch_size = 128
num_classes = 10
epochs = 10

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),activation='relu',input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,optimizer=keras.optimizers.Adadelta(),metrics=['accuracy'])

4、训练模型

Keras的model.fit()函数将开始模型的训练。它需要训练数据、验证数据、epoch和批大小。

训练模型需要一些时间。训练完成后，我们将权值和模型定义保存在“mnist.h5”文件。

hist = model.fit(x_train, y_train,batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(x_test, y_test))
print("The model has successfully trained")

model.save('mnist.h5')
print("Saving the model as mnist.h5")

5、评估模型

我们的数据集中有10,000张图像，这些图像将用于评估我们的模型工作的好坏。测试数据没有参与数据的训练，因此是我们模型的新数据。MNIST数据集很好地平衡了，所以我们可以得到大约99%的准确率。

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

6、建立GUI界面预测数字

现在对于GUI，我们已经创建了一个新文件，我们在其中构建了一个交互式窗口，用于在画布上绘制数字，并且通过一个按钮，我们可以识别数字。Tkinter库包含在Python标准库中。我们已经创建了一个函数predict_digit()，它将图像作为输入，然后使用训练好的模型来预测数字。

然后我们创建App类，它负责为我们的应用程序构建GUI。我们创建一个画布，我们可以通过捕获鼠标事件和按钮来绘制，我们触发predict_digit()函数并显示结果。

下面是我们的gui_digit_recognizer.py文件的完整代码:

from keras.models import load_model
from tkinter import *
import tkinter as tk
import win32gui
from PIL import ImageGrab, Image
import numpy as np

model = load_model('mnist.h5')

def predict_digit(img):
    #resize image to 28x28 pixels
    img = img.resize((28,28))
    #convert rgb to grayscale
    img = img.convert('L')
    img = np.array(img)
    #reshaping to support our model input and normalizing
    img = img.reshape(1,28,28,1)
    img = img/255.0
    #predicting the class
    res = model.predict([img])[0]
    return np.argmax(res), max(res)

class App(tk.Tk):
    def __init__(self):
        tk.Tk.__init__(self)

        self.x = self.y = 0

        # Creating elements
        self.canvas = tk.Canvas(self, width=300, height=300, bg = "white", cursor="cross")
        self.label = tk.Label(self, text="Thinking..", font=("Helvetica", 48))
        self.classify_btn = tk.Button(self, text = "Recognise", command =         self.classify_handwriting) 
        self.button_clear = tk.Button(self, text = "Clear", command = self.clear_all)

        # Grid structure
        self.canvas.grid(row=0, column=0, pady=2, sticky=W, )
        self.label.grid(row=0, column=1,pady=2, padx=2)
        self.classify_btn.grid(row=1, column=1, pady=2, padx=2)
        self.button_clear.grid(row=1, column=0, pady=2)

        #self.canvas.bind("<Motion>", self.start_pos)
        self.canvas.bind("<B1-Motion>", self.draw_lines)

    def clear_all(self):
        self.canvas.delete("all")

    def classify_handwriting(self):
        HWND = self.canvas.winfo_id() # get the handle of the canvas
        rect = win32gui.GetWindowRect(HWND) # get the coordinate of the canvas
        im = ImageGrab.grab(rect)

        digit, acc = predict_digit(im)
        self.label.configure(text= str(digit)+', '+ str(int(acc*100))+'%')

    def draw_lines(self, event):
        self.x = event.x
        self.y = event.y
        r=8
        self.canvas.create_oval(self.x-r, self.y-r, self.x + r, self.y + r, fill='black')

app = App()
mainloop()

截屏结果

基于深度学习的手写数字识别项目GUI（Deep Learning Project – Handwritten Digit Recognition using Python）

总结

在本文中，我们成功地在手写数字识别应用程序上构建了一个Python深度学习项目。我们构建并训练了卷积神经网络，它对于图像分类非常有效。稍后，我们构建GUI，在画布上绘制数字，然后对数字进行分类并显示结果。文章来源地址https://www.toymoban.com/news/detail-504175.html

到了这里，关于基于深度学习的手写数字识别项目GUI（Deep Learning Project – Handwritten Digit Recognition using Python）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网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TOY模板网！