上期文章我们使用PaddlePaddle进行了手写数字的神经网络训练，我们就使用预训练好的模型进行手写数字识别，不用猜，效果估计也不太好，这个我们后期进行优化
百度深度学习平台PaddlePaddle——飞桨基础知识介绍
PaddlePaddle——飞桨深度学习实现手写数字识别任务
step 1:神经网络的搭建首先我们还按照上期的代码进行神经网络的搭建
定义mnist数据识别网络结构 class MNIST(paddle.nn.Layer): def __init__(self): super(MNIST, self).__init__() 定义网络结构的前向计算过程 def forward(self, inputs): outputs = self.fc(inputs) return outputsstep 2:图片预处理 从img_path中读取图像，并转为灰度图 im = Image.open(img_path).convert(&39;) plt.imshow(im,cmap=&39;) plt.show() 图像归一化，保持和数据集的数据范围一致 im = 1 - im / 255 plt.imshow(im) plt.show() return im这里我们加载一张照片，并转换到灰度空间，这里需要提醒一下，前期有小伙伴私信问为啥自己显示的图片是黄底的，代码里面plt.imshow(im,cmap=&39;)若不补充cmap=&39;参数就会显示黄底的
step 3:图片中数字的识别39;model/mnist.pdparams&39;image/minist.jpg& 加载模型参数 param_dict = paddle.load(params_file_path) model.load_dict(param_dict) 39;result& 预测输出取整，即为预测的数字，打印结果 print(&34;, result.numpy().astype(&39;))这里我们初始化模型，并加载预训练的模型与需要识别的图片，并使用param_dict = paddle.load(params_file_path)，model.load_dict(param_dict)加载模型识别，使用result = model(paddle.to_tensor(tensor_img))函数进行图片的识别
result Tensor(shape=[1, 1], dtype=float32, place=CPUPlace, stop_gradient=False, [[2.51147366]]) 本次预测的数字是 [[2]]这里我们输入一个0的图片，模型识别出2，这个也对应了我们的猜想，毕竟单层的神经网络并不能完全识别出数字的特征，后期我们将进行一步一步的优化
往期文章精选：利用pytorch CNN手写字母识别神经网络模型识别多手写字母（A-Z）
Pytorch利用CNN卷积神经网络进行多数字（0-9）识别
使用EMNIST数据集训练第一个pytorch CNN手写字母识别神经网络
使用MNIST数据集训练第一个pytorch CNN手写数字识别神经网络
本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除
热门信息
阅读 ()
1 注册微信号怎么注册第二个阅读 ()
2 怎么把照片变成卡通头像阅读 ()
3 手机越充越少电怎么解决