标题中的“使用已经得到的keras模型识别自己手写的数字方式”是指利用预先训练好的Keras模型，对个人手写的数字图像进行识别的过程。描述提到，这种方法有很高的参考价值，适用于那些想要了解如何将个人手绘数字图像输入到神经网络进行识别的读者。
在Keras中，通常我们会使用MNIST数据集训练一个手写数字识别的模型。MNIST是一个包含60000个训练样本和10000个测试样本的大型数据库，每个样本都是28x28像素的灰度图像，代表0到9的一个数字。在训练模型后，可以将其保存以便后续使用。
识别手写数字的关键步骤如下：
1. **加载模型**：使用`load_model`函数加载已经训练好的模型。例如，`model = load_model('cnn_model_2.h5')`，其中`cnn_model_2.h5`是保存的模型文件名。
2. **图像预处理**：通过`cv2.imread`读取手写数字的图像，比如`img = cv2.imread('temp3.png', 0)`，参数0表示读取为灰度图像。然后，需要调整图像的形状以匹配模型的输入要求，例如`img = (img.reshape(1,1,28,28)).astype("float32")/255`，这一步将图像归一化到0-1之间。
3. **模型预测**：使用`predict_classes`方法进行预测，例如`predict = model.predict_classes(img)`，这将返回预测的数字标签。
4. **结果输出**：打印预测的数字，如`print(predict)`。
值得注意的是，由于MNIST数据集中的图像默认是黑底白字，因此在手写数字时，也需要确保图像为黑底白字，否则可能会导致识别错误。如果原始图像为白底黑字，可以通过二值化等图像处理技术转换。
补充的知识点是关于Keras中自定义层的编写。Keras提供了两种主要的方式来自定义层：
1. **Lambda层**：这是一个非常方便的工具，用于实现简单且无状态的自定义操作。例如，`output=Lambda(lambda x: x[...,1])(input)` 取得输入张量的最后一个维度的数据。然而，Lambda层不能用于创建具有可训练权重的新层。
2. **自定义层（带有可训练权重）**：需要继承自`keras.engine.topology.Layer`类，实现`__init__`、`build`、`call`和`compute_output_shape`方法。`build`方法用于定义权重，`call`实现功能逻辑，`compute_output_shape`计算输出张量的形状。例如：
```python
from keras.backend import K
from keras.engine.topology import Layer
class MyLayer(Layer):
def __init__(self, output_dim, **kwargs):
self.output_dim = output_dim
super(MyLayer, self).__init__(**kwargs)
def build(self, input_shape):
self.kernel = self.add_weight(name='kernel',
shape=(input_shape[1], self.output_dim))
def call(self, inputs):
# 实现功能逻辑
pass
def compute_output_shape(self, input_shape):
return input_shape[0], self.output_dim
```
通过这种方式，可以扩展Keras的功能，构建满足特定需求的深度学习模型。
