Python人工智能入门项目：手写数字识别

Python人工智能入门项目：手写数字识别

一、引言

手写数字识别是人工智能和机器学习领域的一个经典问题。在这个项目中，我们将使用Python和机器学习库（如TensorFlow或PyTorch）来构建一个能够识别手写数字（0-9）的模型。我们将使用MNIST数据集，这是一个包含大量手写数字图片和对应标签的数据集。

二、项目准备

在开始之前，确保你已经安装了Python和必要的机器学习库。对于本项目，我们将使用TensorFlow和Keras（TensorFlow的高级API）。你可以使用pip来安装它们：

pip install tensorflow

三、数据加载与处理

首先，我们需要加载MNIST数据集。在Keras中，这可以通过内置的函数轻松完成：

from keras.datasets import mnist
from keras.utils import to_categorical

# 加载数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理
train_images = train_images.reshape((60000, 28, 28, 1))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28, 28, 1))
test_images = test_images.astype('float32') / 255

# 标签one-hot编码
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

四、构建神经网络模型

接下来，我们将使用Keras来构建一个简单的卷积神经网络（CNN）模型。CNN在图像识别任务中表现出色。

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

五、训练模型

现在，我们可以使用训练数据来训练模型了。

model.fit(train_images, train_labels, epochs=5, batch_size=64)

六、评估模型

训练完成后，我们可以使用测试集来评估模型的性能。

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

七、使用模型进行预测

最后，我们可以使用训练好的模型来对手写数字图片进行预测。

import numpy as np
from PIL import Image

# 加载一张手写数字图片
img = Image.open('digit.png').convert('L').resize((28, 28))
img_array = np.array(img).reshape((1, 28, 28, 1)) / 255.0

# 预测
prediction = model.predict(img_array)
predicted_digit = np.argmax(prediction)
print('Predicted digit:', predicted_digit)

八、总结

通过这个项目，我们学习了如何使用Python和Keras来构建一个手写数字识别的模型。我们加载了MNIST数据集，对数据进行了预处理，构建了一个简单的CNN模型，并使用模型进行了训练和预测。这个项目是一个很好的入门示例，可以帮助你了解人工智能和机器学习的基本概念和技术。