基于tensorflow数码管识别

# coding: utf-8

# ## 导入各种依赖库
# 因为此目录下已经有训练好的模型，可以直接到最后一个代码块运行，无需额外训练，如果与实际应用情况存在偏差，请添加数据集进行再次训练
# 
# 没有的模块进行安装
# ‘‘‘ bash
# pip install modual
# ‘‘‘

# In[2]:


import tensorflow as tf
import gzip
import os
import tempfile
import cv2
import random
import numpy as np


# ## 生成数据集格式

# ### train data

# In[3]:


#导入数据图片，以features命名
imgs=os.listdir（‘./datasets/train/imgs/‘）
# 定义一个排序函数
def nu_str（string）:
    return int（string.split（‘.‘）[0]）
# 将文件夹中的文件按照名称数字大小进行排序 能够与labels一一对应
imgs.sort（key=nu_str）
features_train=[]
# 对每一张图片进行处理，主要是将矩阵转化为一个向量，最后将所有图片打包
for i in imgs:
    img=cv2.imread（‘./datasets/train/imgs/‘+str（i）0）
    #resimg=cv2.threshold（img 200 255 cv2.THRESH_BINARY）
    #img=cv2.copyMakeBorder（img5555cv2.BORDER_CONSTANTvalue=0）
    #cv2.imshow（‘3‘img）
    #cv2.waitKey（100）
    img=img.reshape（28*28）/255
    features_train.append（img）
features_train=np.array（features_train） # 包含所有图片的一个向量集


# In[4]:


## 将每一个图片对应的结果转化为one-hot形式储存
# 读取文件所有内容
with open（‘./datasets/train/targets/target.txt‘‘r‘） as f:
    tars=f.readlines（）
# 向量不同位置对应的结果
tar_temp=[0123456789‘.‘]
labels_train=[]
# 构造one-hot形式的向量集
for i in tars:
    b=np.array（[i[0]==str（tar_temp[j]） for j in range（len（tar_temp））]）+0
    labels_train.append（b）  # 一个包含所有结果的向量集（与图片集一一对应）


# ### 验证数据集的正确性

# In[5]:


# 选择运行
# 查看数据集与结果是否一一对应，主要看看显示的图片和打印的数字是否一致

for i in range（len（features_train））:
    cv2.imshow（‘feature‘features_train[i].reshape（2828））
    print（np.argmax（labels_train[i]））
    cv2.waitKey（500） # 单张图片的显示时间ms


# ### test data

# In[6]:


# 生成测试数据集，同训练集一样

imgs=os.listdir（‘./datasets/test/imgs/‘）
def nu_str（string）:
    return int（string.split（‘.‘）[0]）
imgs.sort（key=nu_str）
features_test=[]
for i in imgs:
    img=cv2.imread（‘./datasets/test/imgs/‘+str（i）0）
    #resimg=cv2.threshold（img 200 255 cv2.THRESH_BINARY）
    #img=cv2.copyMakeBorder（img5555cv2.BORDER_CONSTANTvalue=0）
    #cv2.imshow（‘3‘img）
    #cv2.waitKey（100）
    img=img.reshape（28*28）/255
    features_test.append（img）
features_test=np.array（features_test）


# In[7]:


with open（‘./datasets/test/targets/target.txt‘‘r‘） as f:
    tars=f.readlines（）
tar_temp=[0123456789‘.‘]
labels_test=[]
for i in tars:
    b=np.array（[i[0]==str（tar_temp[j]） for j in range（len（tar_temp））]）+0
    labels_test.append（b）


# In[8]:


# 查看测试训练集的正确性  可以跳过
for i in range（len（features_test））:
    cv2.imshow（‘feature‘features_test[i].reshape（2828））
    print（np.argmax（labels_test[i]））
    cv2.waitKey（500）


# ## 线性训练
# 这个训练结果太差，忽略

# ### train 
# 忽略 不需要运行

# In[9]:


sess = tf.Session（）
# 设置放置自变量的空间（图片输入的）
x=tf.placeholder（“float“[None28*28]）
# 设置权重以及偏置的变量空间
W=tf.Variable（tf.zeros（[28*2811]））
b=tf.Variable（tf.zeros（[11]））
# 计算特定权重偏置下的结果
y=tf.nn.softmax（tf.matmul（xW）+b）
# 设置储存实际结果的空间
y_=tf.placeholder（“float“[None11]）
# 计算预测与实际的交叉熵
cross_entropy=-tf.reduce_sum（y_*tf.log（y））
# 训练 通过使得交叉熵向减小的方向
train_step=tf.train.GradientDescentOptimizer（0.01）.minimize（cross_entropy）
# 初始化变量
init = tf.initialize_