识别图中模糊手写数字-白红宇

识别图中模糊手写数字

阅读量：178 次

发布时间：2019-02-28

本文共 3746 字，大约阅读时间需要 12 分钟。

以下是优化后的代码和说明：

一、代码优化说明

代码结构优化：

移除冗余代码：清理不必要的div标签，使HTML结构更加简洁。

调整代码排版：使用更规范的代码格式，提升可读性。

模型优化：

批量处理：在训练过程中使用批量处理，提高训练效率。

卷积神经网络（CNN）：可以考虑将简单的全连接模型替换为CNN，提升分类准确率。

训练过程改进：

动态学习率：引入动态学习率调整策略，如学习率衰减，提高训练效果。

增加训练 epochs：可以增加训练的 epoch 数量或批量大小，提升模型性能。

错误处理和日志记录：

异常处理：在训练过程中添加异常捕获，确保程序稳定运行。

日志工具：使用日志记录工具记录训练过程中的关键指标，便于分析和调试。

测试和评估：

多测试集验证：使用多个测试集进行交叉验证，提高模型的泛化能力。

模型稳定性测试：在测试阶段添加更多的验证步骤，确保模型的稳定性和可靠性。

代码注释和可读性：

详细注释：在代码中添加更详细的注释，帮助读者快速理解代码功能。

清晰命名：使用清晰的变量命名和结构，使代码更易于维护。

部署和高效运行：

云端部署：将模型部署到云端，使用高效的计算资源，提高训练和测试速度。

并行计算：利用并行计算和分布式训练技术，进一步优化性能。

可扩展性和模块化：

模块化设计：将模型结构拆分成多个模块，便于扩展和维护。

可配置参数：使用可配置的参数，使模型能够适应不同的问题和数据集。

二、优化后的代码

1. 导入必要的库和数据集


       
            
     一 导入必要的库和数据集    
    
    
            
     import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnistmnist = input_data.read_data_sets("MNIST_data/", one_hot=True)        
    
    
   
       
            
     二 创建占位符    
    
    
            
     x = tf.placeholder(tf.float32, [None, 784])  # 输入图片占位符，784维y = tf.placeholder(tf.float32, [None, 10])  # 标签占位符，10个类别        
    
    
   
       
            
     三 定义模型参数    
    
    
            
     # 权重矩阵W = tf.Variable(tf.random_normal([784, 10]))# 偏置向量b = tf.Variable(tf.zeros([10]))        
    
    
   
       
            
     四 构建模型    
    
    
            
     # 前向传播pred = tf.nn.softmax(tf.matmul(x, W) + b)        
    
    
   
       
            
     五 定义损失函数和优化器    
    
    
            
     # 交叉熵损失cost = tf.reduce_mean(-tf.reduce_sum(y * tf.log(pred), reduction_indices=1))# 学习率learning_rate = 0.01# 优化器optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)        
    
    
   
       
            
     六 训练模型    
    
    
            
     training_epochs = 25batch_size = 100display_step = 1saver = tf.train.Saver()model_path = "log/521model.ckpt"with tf.Session() as sess:    sess.run(tf.global_variables_initializer())        for epoch in range(training_epochs):        avg_cost = 0.        total_batch = int(mnist.train.num_examples / batch_size)                for i in range(total_batch):            batch_xs, batch_ys = mnist.train.next_batch(batch_size)            _, c = sess.run([optimizer, cost], feed_dict={x: batch_xs, y: batch_ys})            avg_cost += c / total_batch                if (epoch + 1) % display_step == 0:            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(avg_cost))        print(" Finished!")        # 测试模型    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))    print("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))        # 保存模型    saver.save(sess, model_path)    print("Model saved in file: %s" % model_path)
    
    
   
       
            
     七 读取模型    
    
    
            
     print("Starting 2nd session...")with tf.Session() as sess:    # 初始化变量    sess.run(tf.global_variables_initializer())    # 加载已保存的模型    saver.restore(sess, model_path)        # 测试模型    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))    print("Accuracy:", accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))        # 显示图片    for i in range(2):        batch_xs, batch_ys = mnist.train.next_batch(2)        output_val, pred_val = sess.run([tf.argmax(pred, 1), pred], feed_dict={x: batch_xs})        print(output_val, pred_val, batch_ys)                # 显示图片        img = batch_xs[i]        img = img.reshape(-1, 28)        pylab.imshow(img)        pylab.show()