mxnet手写体识别+预测

这几天看沐神的课程，试试手写体识别预测的模型，记录一下
1、加载数据集

from mxnet import nd,autograd,gluon,init
from mxnet.gluon import loss,nn
import mxnet as mx

batch_size=128 #设置读取批量
train_data=gluon.data.vision.MNIST(train=True) #生成训练数据
test_data=gluon.data.vision.MNIST(train=True)#生成测试数据
transform=gluon.data.vision.transforms.ToTensor()#格式
train_iter=gluon.data.DataLoader(train_data.transform_first(transform),shuffle=True,
                                batch_size=batch_size)#生成训练数据迭代器
test_iter=gluon.data.DataLoader(test_data.transform_first(transform),shuffle=False,
                                batch_size=batch_size)#生成测试数据迭代器

2、构建模型

目前还没学到卷积那里，先全连接凑合（捂脸）

model=nn.Sequential()
model.add(nn.Dense(256,activation='relu'))
model.add(nn.Dense(64,activation='relu'))
model.add(nn.Dense(10))
model.initialize()
mine_loss=loss.SoftmaxCrossEntropyLoss()
trainer=gluon.Trainer(model.collect_params(),optimizer='sgd',
                     optimizer_params={"learning_rate":0.03})

3、定义准确度和评估函数

def accuracy(yhat,y):
    return nd.mean(yhat.argmax(axis=1)==y).asscalar() 
    #yhat.argmax(axis=1)这个地方实际上就是预测值和真实值的对比，后面在做预测的时候参照这个地方
def evaluate_accuracy(data_iter,model):
    acc=0.
    for data,label in data_iter:
        label=label.astype('float32')
        output=model(data)
        acc += accuracy(output,label)
    return acc

4、开始训练

for epoch in range(5):
    train_acc=0
    train_loss=0
    for data,label in train_iter:
        with autograd.record():
            output=model(data)
            my_loss=mine_loss(output,label)
        label=label.astype('float32')
        my_loss.backward()
        trainer.step(batch_size)
        train_acc += accuracy(output,label)
        train_loss += nd.mean(my_loss).asscalar()
    test_acc = evaluate_accuracy(test_iter,model)
    print(F'epoch:{epoch+1},loss:{train_loss/len(train_iter)},train_acc:{train_acc/len(train_iter)},test_acc:{test_acc/len(test_iter)}')

训练结果如下：

还凑合，以后学到卷积的时候会更好

5、做预测

因为为了显示单个图片，我把batch_size改为了1，如果不变的话就是128，不太能达到讲述效果

from matplotlib import pyplot as plt
import numpy as np
test_iter_aa=gluon.data.DataLoader(test_data.transform_first(transform),shuffle=False,
                                  batch_size=1)

for data,label in test_iter_aa:
    plt.imshow(data.reshape((28,28)).asnumpy())
#这里在进入网络之前data.shape的输出结果是（1，1，28，28）
#data的type是 mxnet.ndarray.ndarray.NDArray
#到下面做自己下载图片的预测时，也是要跟这个保持一致，否则会报“shape inconsistent”这样的错误
    output=model(data)
    pre=output.argmax(axis=1)
    print(pre)
    print(label)
    break

结果如下

最后，这是人家自己带的数据集，我们可以试试自己下载的图片预测结果如何

1. 通过PIL.Image包导入我们自己下载的图片，并将其转换为灰度图，以及更改图片（resize图片的目的就是为了适应模型）
   这个是下载的图片
   这个是转换后的图片
   

2. 转换数据类型，此时我们通过PIL包导入的图片肯定不是mxnet.ndarray.ndarray.NDArray，因此传入模型时要转化变量类型

3. 数据处理，上面我们已经将图片转换成数组，为了传入模型，还要将图片astype(‘float32’)，
   下面是该部分代码

from PIL import Image
import numpy as np
import mxnet as mx

# 1、导图+改变图形
img=Image.open('D:/DYM/pictures/common/test3.jpg').convert('L').resize((28,28))
# 2、更改变量类型
img=mx.nd.array(img)
# 3、数据处理
img=img.reshape((1,1,28,28))
img=255-img.astype('float32')
# 4、做预测
output=model(img)
pre=output.argmax(axis=1)
print(pre)

结果如下（还不错）

最后，欢迎各位指导交流