MIT-final

介绍

本次项目我们主要是为了完成机器的手写体识别，运用的是mnist算法

Mnist

mnist算法实际上是Lenet5神经网络算法，其中包含两个卷积层，两个池化层，和三个全连接层，其原理便是输入一张28*28像素的图片，然后经过卷积和池化后，通过全连接层 后输出一个十维向量，对应着0-9可能性的概率。

首先我们构建了mnist模型的代码，然后用mnist提供的训练数据集来训练模型权值，准确率可以高达99% 然后我们用 saver.save()将模型存储了下来，得到四个文件，分别为一个checkpoint文件和三个model.ckpt文件。 最后我们开始读入模型，运用 TensorFlow的restore（）函数，给一个图片然后预测它是几

代码实现过程：

运行mnist模型：

首先是mnist的模型部分：

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

然后是mnist的测试部分： 首先打开一个tensorflow操作面：

with tf.Session() as sess

然后给定操作步长：

batch = mnist.train.next_batch(50)

然后开始正式训练：

train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

最后返回一个模型准确率：

print('test accuracy %g' % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

保存模型部分：

保存模型的代码：

saver = tf.train.Saver()

其保存的路径和文件的名称：

saver.save(sess, './model.ckpt')

最后你可以得到这么四个文件：

读取模型：

首先我们需要对图片进行处理，将其转换为28*28的向量：

def image_prepare(image_path):
    img = Image.open(image_path)
    im = img.resize((28, 28), Image.ANTIALIAS)
    im = im.convert('L')
    tv = list(im.getdata()) 
    tva = [(255-x)*1.0/255.0 for x in tv] 
    
    
    return tva

然后用这么一行代码读取模型：

saver.restore(sess, "./model.ckpt")

最后得到一个预测结果