算法笔记(22)MLP手写识别及Python代码实现

本节讲述神经网络实例用MLP进行手写识别。

使用MNIST数据集

MNIST数据集包含60,000个用于训练的示例和10,000个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心,图像是固定大小(28×28像素),其值为0到1。为简单起见,每个图像都被平展并转换为784(28 * 28)个特征的一维numpy数组。

算法笔记(22)MLP手写识别及Python代码实现

 MNIST数据集

训练MLP神经网络

在建立好训练数据集和测试数据集后,开始训练神经网络,选取了5000个样本作为训练数据集,选取1000个数据作为测试数据集,数据集中存储的样本是28×28像素的手写数字图片的像素信息,因此特征数为28×28=784个,样本特征是从0~255的灰度值。
Python代码实现:


X_train, X_test, y_train, y_test = train_test_split(
    X, y, train_size = 5000, test_size=1000,random_state=62)
mlp_hw = MLPClassifier(solver='lbfgs',hidden_layer_sizes=[100,100],
                       activation='relu', alpha = 1e-5,random_state=62)
mlp_hw.fit(X_train,y_train)
print('测试数据集得分:{:.2f}%'.format(mlp_hw.score(X_test,y_test)*100))

测试数据集得分:92.70%

使用模型进行数字识别

随便用一个图像测试一下,这里用下面的图片

算法笔记(22)MLP手写识别及Python代码实现

 Python代码实现:

image=Image.open('4.png').convert('F')
image=image.resize((28,28))
arr=[]
for i in range(28):
    for j in range(28):
        pixel = 1.0 - float(image.getpixel((j,i)))/255.
        #pixel = float(image.getpixel((j,i)))/255.

        arr.append(pixel)
arr1 = np.array(arr).reshape(1,-1)
a=mlp_hw.predict(arr1)[0]
print("图片中的数字是:",a)

图片中的数字是: 4
分析:神经网络正确地识别出了图片中的数字是4,效果还是不错的。

想要完整代码的朋友,可toutiao搜索“编程研究坊”关注后s信我,回复“算法笔记22“获取

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
上一篇 2022年5月30日 上午10:41
下一篇 2022年5月30日 上午10:43

相关推荐

本站注重文章个人版权,不会主动收集付费或者带有商业版权的文章,如果出现侵权情况只可能是作者后期更改了版权声明,如果出现这种情况请主动联系我们,我们看到会在第一时间删除!本站专注于人工智能高质量优质文章收集,方便各位学者快速找到学习资源,本站收集的文章都会附上文章出处,如果不愿意分享到本平台,我们会第一时间删除!