基于卷积神经网络的手写体识别

# -*- coding: UTF-8 -*- # 获取手写数据。 # 28*28的图片对象。每个图片对象根据需求是否转化为长度为784的横向量 # 每个对象的标签为0-9的数字，one-hot编码成10维的向量 import numpy as np # 数据加载器基类。派生出图片加载器和标签加载器 class Loader(object): # 初始化加载器。path: 数据文件路径。count: 文件中的样本个数 def __init__(self, path, count): self.path = path self.count = count # 读取文件内容 def get_file_content(self): print(self.path) f = open(self.path, 'rb') content = f.read() # 读取字节流 f.close() return content # 字节数组 # 将unsigned byte字符转换为整数。python3中bytes的每个分量读取就会变成int # def to_int(self, byte): # return struct.unpack('B', byte)[0] # 图像数据加载器 class ImageLoader(Loader): # 内部函数，从文件字节数组中获取第index个图像数据。文件中包含所有样本图片的数据。 def get_picture(self, content, index): start = index * 28 * 28 + 16 # 文件头16字节，后面每28*28个字节为一个图片数据 picture = [] for i in range(28): picture.append([]) # 图片添加一行像素 for j in range(28): byte1 = content[start + i * 28 + j] picture[i].append(byte1) # python3中本来就是int # picture[i].append(self.to_int(byte1)) # 添加一行的每一个像素 return picture # 图片为[[x,x,x..][x,x,x...][x,x,x...][x,x,x...]]的列表 # 将图像数据转化为784的行向量形式 def get_one_sample(self, picture): sample = [] for i in range(28): for j in range(28): sample.append(picture[i][j]) return sample # 加载数据文件，获得全部样本的输入向量。onerow表示是否将每张图片转化为行向量，to2表示是否转化为0,1矩阵 def load(self,onerow=False): content = self.get_file_content() # 获取文件字节数组 data_set = [] for index in range(self.count): #遍历每一个样本 onepic =self.get_picture(content, index) # 从样本数据集中获取第index个样本的图片数据，返回的是二维数组 if onerow: onepic = self.get_one_sample(onepic) # 将图像转化为一维向量形式 data_set.append(onepic) return data_set # 标签数据加载器 class LabelLoader(Loader): # 加载数据文件，获得全部样本的标签向量 def load(self): content = self.get_file_content() # 获取文件字节数组 labels = [] for index in range(self.count): #遍历每一个样本 onelabel = content[index + 8] # 文件头有8个字节 onelabelvec = self.norm(onelabel) #one-hot编码 labels.append(onelabelvec) return labels # 内部函数，one-hot编码。将一个值转换为10维标签向量 def norm(self, label): label_vec = [] # label_value = self.to_int(label) label_value = label # python3中直接就是int for i in range(10): if i == label_value: label_vec.append(1) else: label_vec.append(0) return label_vec # 获得训练数据集。onerow表示是否将每张图片转化为行向量 def get_training_data_set(num,onerow=False): image_loader = ImageLoader('train-images.idx3-ubyte', num) # 参数为文件路径和加载的样本数量 label_loader = LabelLoader('train-labels.idx1-ubyte', num) # 参数为文件路径和加载的样本数量 return image_loader.load(onerow), label_loader.load() # 获得测试数据集。onerow表示是否将每张图片转化为行向量 def get_test_data_set(num,onerow=False): image_loader = ImageLoader('t10k-images.idx3-ubyte', num) # 参数为文件路径和加载的样本数量 label_loader = LabelLoader('t10k-labels.idx1-ubyte', num) # 参数为文件路径和加载的样本数量 return image_loader.load(onerow), label_loader.load() # 将一行784的行向量，打印成图形的样式 def printimg(onepic): onepic=onepic.reshape(28,28) for i in range(28): for j in range(28): if onepic[i,j]==0: print(' ',end='') else: print('* ',end='') print('')