干货 | 手把手教你用115行代码做个数独解析器！

model = Sequential()  model.add(Conv2D(32, (5, 5), input_shape=(1, 28, 28),            activation= relu ))  model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Conv2D(16, (3,            3), activation= relu ))  model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.2)) model.add(Flatten())  model.add(Dense(128, activation= relu ))  model.add(Dense(64, activation= relu ))  model.add(Dense(num_classes, activation= softmax )) 

模型总结

在创建模型之后，需要进行编译，使其适合数据集并对其进行评估。

model.compile(loss= categorical_crossentropy , optimizer= adam ,                 metrics=[ accuracy ])  model.fit(X_train, y_train, validation_data=(X_test, y_test),                 epochs=10, batch_size=200)  scores = model.evaluate(X_test, y_test, verbose=0)  print("Large CNN Error: %.2f%%" % (100-scores[1]*100)) 

现在，可以测试上面创建的模型了。

test_images = X_test[1:5]  test_imagestest_images = test_images.reshape(test_images.shape[0], 28, 28)  print ("Test images shape: {}".format(test_images.shape))  for i, test_image in enumerate(test_images, start=1):      org_image = test_image      test_imagetest_image = test_image.reshape(1,1,28,28)      prediction = model.predict_classes(test_image, verbose=0)      print ("Predicted digit: {}".format(prediction[0]))      plt.subplot(220+i)      plt.axis( off )      plt.title("Predicted digit: {}".format(prediction[0]))      plt.imshow(org_image, cmap=plt.get_cmap( gray ))  plt.show() 

手写体数字分类模型的预测数字

神经网络的精度为98.314%！最后，保存序列模型，这样就不必在需要使用它的时候反复训练了。

# serialize model to JSON  modelmodel_json = model.to_json()  with open("model.json", "w") as json_file:      json_file.write(model_json) # serialize weights to HDF5  model.save_weights("model.h5")  print("Saved model to disk") 

更多关于手写数字识别的信息：

https://github.com/aakashjhawar/Handwritten-Digit-Recognition

下一步是加载预先训练好的模型。

json_file = open( model.json ,  r )  loaded_model_json = json_file.read()  json_file.close()  loaded_model = model_from_json(loaded_model_json)  loaded_model.load_weights("model.h5") 

调整图像大小，并将图像分割成9x9的小图像。每个小图像的数字都是从1-9。

sudoku = cv2.resize(sudoku, (450,450))  grid = np.zeros([9,9])  for i in range(9):      for j in range(9):          image = sudoku[i*50:(i+1)*50,j*50:(j+1)*50]          if image.sum() > 25000:                  grid[i][j] = identify_number(image)          else:              grid[i][j] = 0      gridgrid =  grid.astype(int) 

identify_number 函数拍摄数字图像并预测图像中的数字。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!