CNN使用Python3的手写数字识别

感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。
感谢参考原文-http://bjbsair.com/2020-04-01/tech-info/18286.html

为了使机器更智能，开发人员正在研究机器学习和深度学习技术。人类通过反复练习和重复执行任务来学习执行任务，从而记住了如何执行任务。然后，他大脑中的神经元会自动触发，它们可以快速执行所学的任务。深度学习与此也非常相似。它针对不同类型的问题使用不同类型的神经网络体系结构。对象识别，图像和声音分类，对象检测，图像分割等。

什么是手写数字识别？

手写数字识别是计算机识别人类手写数字的能力。对于机器而言，这是一项艰巨的任务，因为手写数字不是完美的，可以用多种方法。手写数字识别是使用数字图像并识别图像中存在的数字的解决方案。

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。

在这里我们使用Keras库和Tkinter库进行深度学习以构建GUI。

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。该MNIST数据集包含的手写数字从0到9 60000个训练图像和10,000张进行测试。因此，MNIST数据集具有10个不同的类。手写数字图像表示为28×28矩阵，其中每个单元格都包含灰度像素值。

步骤如下：

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库已经包含一些数据集，而MNIST是其中之一。因此，我们可以轻松导入数据集并开始使用它。该mnist.load_data（）方法返回训练数据，它的标签，也是测试数据和标签。

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、预处理数据

图像数据无法直接输入模型中，因此我们需要执行一些操作并处理数据以使其准备好用于神经网络。训练数据的维数为（60000,28,28）。CNN模型将需要一维，因此我们将矩阵重塑为（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, 10)  
y_test = keras.utils.to_categorical(y_test, 10)  
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、创建模型

现在，我们开始创建CNN模型。CNN模型通常由卷积层和池化层组成。它对于以网格结构表示的数据更有效，这就是CNN能够很好地解决图像分类问题的原因。dropout层用于使一些神经元失活，在训练时，它会降低模型的拟合度。然后，我们将使用Adadelta优化器来编译模型。

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()函数将开始对模型的训练。它获取训练数据、验证数据、周期和批大小。

训练模型需要一些时间。在培训之后，我们将权重和模型定义保存在“ mnist.h5”文件中。

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模型的效果。测试数据不参与数据的训练，因此，这是我们模型的新数据。MNIST数据集平衡良好，因此我们可以获得约99％的准确性。

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

6、创建GUI来预测数字

现在，对于GUI，我们创建了一个新文件，在其中创建了一个交互式窗口以在对话框中绘制数字，并使用按钮可以识别数字。Tkinter库位于Python标准库中。我们创建了一个函数predict_digit（），将图像作为输入，然后使用经过训练的模型来预测数字。

然后，我们创建App类，他负责为我们的应用构建GUI。我们创建一个对话框，在其中可以通过捕获鼠标事件进行绘制，并使用一个按钮来触发predict_digit（）函数并显示结果。

以下是完整的gui_digit_recognizer.py文件的代码:

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()

结论

在本文中，我们已经在手写数字识别应用程序上成功构建了我们的项目。我们已经构建并训练了卷积神经网络，该网络对于图像分类非常有效。稍后，我们构建GUI，在对话框上绘制一个数字，然后对数字进行分类并显示结果。