基于TensorFlow的卷积神经网络，实现 MNIST 手写数字识别

我们相信：世界是美好的，你是我也是。 来玩一下解压小游戏吧！

既然是MNIST手写数字识别的话题，本文中，苏南大叔使用tensorflow的卷积神经网络cnn进行训练。从simplenn切换到cnn后，生成的模型的数字识别精准度，得到了质的提升。所以，推荐本文中的代码。

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码编程经验总结。测试环境：win10，python@3.12.9，tensorflow@2.19.0。本文将介绍如何使用TensorFlow和卷积神经网络（CNN）实现MNIST手写数字识别，并通过Gradio提供一个支持多张图片预测的交互式界面。

TensorFlow

TensorFlow是一个由谷歌开发的开源深度学习框架，广泛应用于机器学习和人工智能领域。它支持从简单的模型到复杂的深度学习网络的构建和训练。

• https://newsn.net/say/tensorflow.html

MNIST 数据集包含七万张 28x28 像素的灰度手写数字图片，每张图片对应一个数字（0-9）。

• https://newsn.net/say/mnist.html

模型架构

使用卷积神经网络（CNN）来处理 MNIST 数据集。架构如下：

1. 输入层：28x28 的灰度图像。
2. 卷积层 1：32 个 3x3 的卷积核，激活函数为 ReLU。
3. 池化层 1：2x2 的最大池化层。
4. 卷积层 2：64 个 3x3 的卷积核，激活函数为 ReLU。
5. 池化层 2：2x2 的最大池化层。
6. 全连接层：128 个神经元，激活函数为 ReLU。
7. 输出层：10 个神经元，激活函数为 Softmax，用于分类。

代码实现如下：

def create_model():
    model = Sequential([
        Input(shape=(28, 28, 1)),  # Add channel dimension for grayscale images
        tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),  # First convolutional layer
        tf.keras.layers.MaxPooling2D((2, 2)),  # First pooling layer
        tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),  # Second convolutional layer
        tf.keras.layers.MaxPooling2D((2, 2)),  # Second pooling layer
        Flatten(),
        Dense(128, activation='relu'),  # Fully connected layer
        Dense(10, activation='softmax')  # Output layer for 10 classes
    ])
    model.compile(optimizer='adam',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

数据加载与预处理

使用 TensorFlow 提供的MNIST数据集，并对数据进行以下预处理：

1. 归一化：将像素值从 [0, 255] 映射到 [0, 1]。
2. 独热编码：将标签转换为独热编码格式。

代码如下：

def load_data():
    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    x_train, x_test = x_train / 255.0, x_test / 255.0
    y_train = to_categorical(y_train, 10)
    y_test = to_categorical(y_test, 10)
    return (x_train, y_train), (x_test, y_test)

模型训练与评估

使用交叉熵损失函数（Categorical Crossentropy）和 Adam 优化器（Adam Optimizer）来训练模型。训练完成后，在测试集上评估模型的准确率。

训练代码：

def train_model(model, x_train, y_train, epochs=5):
    model.fit(x_train, y_train, epochs=epochs)

评估代码：

def evaluate_model(model, x_test, y_test):
    loss, accuracy = model.evaluate(x_test, y_test)
    return accuracy

在训练 【5个epoch】后，模型在测试集上的准确率约为 99%。表面上来看，虽然和之前的simplenn准确率相差不大。但是，实际上的实测效果，区别显著！

保存模型

tensorflow的模型文件，和sklearn或者pytorch的模型文件，存在着明显不同，加载机制也是不同的。

from tensorflow.keras.models import load_model
#
MODEL_PATH = "tensorflow_mnist_model.h5"
if os.path.exists(MODEL_PATH):
    model = load_model(MODEL_PATH)
    # Recompile the model to ensure metrics are initialized
    # model.compile(optimizer='adam',
    #                 loss='categorical_crossentropy',
    #                 metrics=['accuracy'])
    print("Loaded existing model.")
else:
    (x_train, y_train), (x_test, y_test) = load_data()
    model = create_model()
    train_model(model, x_train, y_train)
    model.save(MODEL_PATH)
    print("Model trained and saved.")
    accuracy = evaluate_model(model, x_test, y_test)
    print(f'Accuracy: {accuracy}')

在加载已有模型的时候，存在一个可能的warning信息：

WARNING:absl:Compiled the loaded model, but the compiled metrics have yet to be built. `model.compile_metrics` will be empty until you train or evaluate the model.

使用下面的代码进行去除：

import absl.logging
# Suppress absl logging warnings
absl.logging.set_verbosity(absl.logging.ERROR)

交互式预测界面

使用 Gradio 提供了一个支持多张图片预测的交互式界面。预测多张的接口，是因为需要同时验证0-9十个数字。以下是核心代码：

单张图片预测

def predict_digit(image):
    if image is None:
        return "No image provided. Please upload an image."
    if len(image.shape) == 2:  # If the image is grayscale (2D), add a channel dimension
        image = np.expand_dims(image, axis=-1)
    image = tf.image.resize(image, (28, 28)).numpy()  # Resize to 28x28
    image = image.reshape(1, 28, 28, 1) / 255.0  # Normalize and reshape for the model
    prediction = model.predict(image)
    return int(np.argmax(prediction))  # Convert to Python int

多张图片预测

def predict_digits(files):
    if files is None or len(files) == 0:
        return "No images provided. Please upload one or more images."
    results = []
    for file in files:
        image = tf.io.decode_image(tf.io.read_file(file), channels=1).numpy()  # Read and decode image
        image_resized = tf.image.resize(image, (28, 28)).numpy()  # Resize to 28x28
        image_normalized = image_resized.reshape(1, 28, 28, 1) / 255.0  # Normalize and reshape for the model
        prediction = model.predict(image_normalized)
        predicted_label = int(np.argmax(prediction))  # Convert to Python int
        results.append((image.squeeze(), f"Prediction: {predicted_label}")) 
    return results

Gradio 界面代码：

interface = gr.Interface(
    fn=predict_digits,
    inputs=gr.Files(file_types=["image"], label="Upload Images"),
    outputs=gr.Gallery(label="Predictions", columns=5),  # Adjust columns to control image size
    live=True
)
interface.launch()

完整代码

总结

通过本文，苏南大叔使用TensorFlow和卷积神经网络（CNN）构建了一个高效的手写数字识别模型，并通过Gradio提供了一个支持多张图片预测的交互式界面。以下是项目的关键点：

1. 模型架构：使用 CNN 提取图像特征，提升分类性能。
2. 数据预处理：归一化和独热编码。
3. 训练与评估：模型在测试集上的准确率约为 99%。
4. 交互式界面：支持用户上传多张图片并获得预测结果。

更多苏南大叔的机器学习的文章，请点击：

• https://newsn.net/tag/ml/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。