mnist手写数字模型训练、保存、加载及图片预测

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

非专业程序员，主业PLC单片机，2019年想扩充知识体系，紧跟潮流，带学生参加了人工智能大赛，才开始接触tensorflow以及深度学习的基本过程，非常艰难。后来比赛完了之后，学生也毕业了，因为感觉难度过大，而且自己将来也不准备转到这个行业，干脆就放弃了。最近疫情关在家里，想了一个晚上，对于本专业，自己干过项目，参加过大赛，虽然没有掌握PLC单片机所有的知识，但是掌握了方法论，能够快速的学习新的设备和目前尚未掌握的功能，没有应用的点，学习那些知识也就没有太大的必要。所以就决定利用疫情，继续开拓对自己来说仍然是新的领域，人工智能，从头开始。

现在再看tensorflow，已经改头换面了，1.x版本太过复杂，难以理解，2.x改善了很多，入门容易。

---

今天还是从手写数字开始，入门代码非常多，大多都是有关模型训练的，官网也有保存模型及加载模型的代码，这里就不再多写

---

预测部分，我在网上找到的都是使用mnist自己的测试数据来进行预测，有的是使用加载模型的方法测试准确率，有的是预测测试集中的数据，但是没有针对一个自己的图片（可以是摄像头拍的，可以是自己在画图里写的数字）的预测方法，这里主要解决这个问题。

---

这个想法产生的原因很简单，其实就是需要将我们的工作应用到现实中，整个过程我想是这几个步骤：准备训练数据、数据预处理来适配模型网络、搭建深度学习网络、训练模型、模型保存，到这实际上开发工作已经完成，下面的步骤就是要应用了，准备数据、加载模型、预测结果，预测的结果将用到后面的业务逻辑。

主要过程

导入

import tensorflow as tf
from tensorflow import keras
import cv2
from keras.preprocessing.image import img_to_array
import numpy as np

加载数据

def loadData():
    mnist = tf.keras.datasets.mnist
    (x_train, y_train),(x_test, y_test) = mnist.load_data()